血吸虫病媒介分类的增量直推式学习方法
机器学习
2017-04-07 v1
摘要
出于分析目的而收集流行病数据所面临的关键问题是，这是一个劳动密集、耗时且昂贵的过程，导致可用于开发预测模型的样本数据稀疏。为了解决这一稀疏数据问题，我们提出了新颖的增量直推式方法，通过应用先前获取的数据来提供一致且基于置信度的标记替代方案，以替代实地调查研究。我们研究了半监督机器学习的各种推理方法，包括用于数据标记的贝叶斯模型。结果表明，使用所提出的方法，我们能够以高置信度对媒介密度类别的数据实例进行标记。通过应用宽松训练方法和严格训练方法，我们为独立算法提供了一种标记与分类的替代方案。本文的方法是减少血吸虫病及其影响扩散过程中的组成部分。
引用
@article{arxiv.1704.01815,
title = {Incremental Transductive Learning Approaches to Schistosomiasis Vector Classification},
author = {Terence Fusco and Yaxin Bi and Haiying Wang and Fiona Browne},
journal= {arXiv preprint arXiv:1704.01815},
year = {2017}
}
备注
8 pages, 5 figures, Dragon 4 Symposium