使用高斯过程堆叠泛化提高疾病风险制图的预测精度
应用统计
2017-09-21 v1 机器学习
摘要
传染病地图——描绘感染力、地方性流行程度以及对人类健康负担的空间变异——为实现全球卫生目标提供了重要的证据基础。当代疾病制图工作采用统计建模方法，以充分考量可用测量数据及其空间插值中的不确定性。此类方法中最常见的是高斯过程回归，这是一个由两部分组成的数学框架：利用多个自变量预测能力的均值函数，以及针对偏离均值的残差变化产生时空收缩的协方差函数。尽管已开发出许多技术来提升协方差函数的灵活性与拟合效果，但均值函数的模型通常局限于简单的线性项。对于已知由环境与社会经济因素间复杂交互作用驱动的传染病而言，改进均值函数的建模可大幅提升预测能力。在此，我们提出一种基于堆叠泛化的集成方法，允许将多个非线性算法均值函数共同嵌入高斯过程框架内。我们将该方法应用于撒哈拉以南非洲恶性疟原虫流行率数据的制图，并表明该泛化集成方法显著优于任何单一方法。
引用
@article{arxiv.1612.03278,
title = {Improved prediction accuracy for disease risk mapping using Gaussian Process stacked generalisation},
author = {Samir Bhatt and Ewan Cameron and Seth R Flaxman and Daniel J Weiss and David L Smith and Peter W Gething},
journal= {arXiv preprint arXiv:1612.03278},
year = {2017}
}
备注
Under Submission