COVID-19大流行における活動事例の予測における小サンプルサイズの原因【JST・京大機械翻訳】

Nakip Mert; Copur Onur; Guezelis Cueneyt

プレプリント

J-GLOBAL ID：202202214754302253 整理番号：22P0207632

COVID-19大流行における活動事例の予測における小サンプルサイズの原因【JST・京大機械翻訳】

Curse of Small Sample Size in Forecasting of the Active Cases in COVID-19 Outbreak

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年11月06日プレプリントサーバーでの情報更新日： 2020年11月26日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

COVID-19パンデミックの間,ケースの数の予測とこのパンデミックの他の将来の傾向に関する大量の試みがなされた。しかし,それらは信頼できる方法で,COVID-19発生の基本的特徴の中期と長期進化を許容可能な精度で予測できない。本論文では,この特定の予測問題における機械学習モデルの故障に対する説明を与えた。本論文では,単純な線形回帰モデルが,高い予測精度値を確実に提供するが,2週間の期間に対してのみ,低誤差で長期予測を学習できる比較的複雑な機械学習モデルが,高い一般化能力を有する良好な予測を得ることができないことを示した。本論文では,十分な数のサンプルの欠如が,予測モデルの低予測性能の源であることを示した。アクティブケースに関する予測結果の信頼性を,交差確認予測誤差に関して測定し,それは予測器の一般化誤差の期待値として使用された。アクティブケースに最も関連する情報を利用するために,様々な変数に対して特徴選択を行う。異なる特徴選択法,すなわち,ペアワイズ相関,再帰特徴選択,およびLasso回帰を用いた特徴選択を適用し,それらを互いに比較し,また,いかなる特徴選択も採用しないモデルと比較した。さらに,線形回帰,Multi-Layer Perceptron,およびLong-Short Termメモリモデルを比較し,その各々を,前述の特徴選択法と共に予測アクティブケースに使用した。著者らの結果は,COVID-19データの小さいサンプルサイズのため,高い一般化能力を有する活性ケースの正確な予測が3日間まで可能であることを示す。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る