[研究レビュー]COVID-19 Predictionsマシン学習

※この記事は記録のために書かれているので、正しくないかもしれません.
※サムネイルは本人が研究した画像で、文章とは関係ありません.
※作文日付:2010-12
Website: COVID-19 Projections Using Machine Learning

About the Model

このモデルはSEIRモデルに基づいており、パラメータは機械学習技術(所望の出力と実際の結果の誤差の縮小を方向とする)を採用している.

と複数の検証技術が検証され、予測が行われた.

Minimal assumptions: Because our model uses machine learning to learn the inputs and parameters, we minimize the number of assumptions we have to introduce. This allows us to avoid certain biases that can be present when incorporating various assumptions.

マシンを使ってテクニックを学ぶので、少なくとも家庭ベースで行います.

No differential equations: Unlike traditional SEIR models, our model does not use differential equations. As a result, we can skip the significant computations required to solve systems of ordinary differential equations. Instead, we follow a more traditional discrete mathematics approach by using a discrete state machine with probabilistic transitions. All of the math in our model can be understood by a motivated high school student.

ODEではなくDiscrete Modelを使用しています.
(確率遷移付きDiscrete State Machine:確率遷移)

離散時間ステートマシンを使用した.

毎日、確率分布があります(各モデルについて).

これらの分布は畳み込まれた(既存の確診者全体と合併し、翌日の確診者を予測する).

역시, smoothing 알고리즘으로 데이터를 조금은 정제함.

0 R:政策実施前R 24579182

後緩和R:政策実施後R

後-Rを再開:政策実施後2-4後、疲労は増加する.

we use a simple machine learning technique called grid search.

パラメータを得るためにgrid searchという簡単な機械学習テクニックを用いた.
また、
brute-force grid search method ,
Loss function,
Mean squared error ,
absolute error,
ratio error,
上記のエラー等の集積を用いるが、

.
MSEは複数のサンプルデータで同等に動作する.
このようなFREE-VARIABLEが5つしかないと、20日間のデータだけでは正確な推定が難しい.これらの変数を減らしたほうがいいです.したがって,瞬間的に他の変数は固定され,1つのパラメータのみが変更される.これにより、信号対雑音比を改善することができる.
データが十分に多いため、フィッティングを回避しやすい.
ここではrobust検証を使用しました.必要に応じて、Webサイトを参照してください.