29、利用机器学习与网络拓扑优化预测新冠及网络性能

利用机器学习与网络拓扑优化预测新冠及网络性能

1. 新冠预测相关研究

在新冠预测领域，研究人员使用了来自Kaggle网站的信息数据库。该数据库包含十个属性和5434个实例，其中4383名患者感染了冠状病毒，1051名未感染。这些属性描述了新冠患者经历的症状，具体包括呼吸问题、发烧、喉咙痛、干咳、高血压、海外旅行、与新冠患者接触、参加大量活动、前往开放区域以及亲属在脆弱地点工作等。

为了评估预测模型的性能，采用了准确率、精确率、召回率、F1分数和ROC - AUC等评估指标。这些指标的计算使用了真阳性（tp）、假阳性（fp）、真阴性（tn）和假阴性（fn）等符号，具体计算公式如下：
- 准确率 ：计算正确分类的正负观测值的数量，公式为$Accuracy = \frac{tp + tn}{tp + tn + fp + fn}$。
- 精确率 ：通过将所有类别中的真阳性总数除以真阳性和假阳性的总和来确定，公式为$Precision = \frac{TP}{TP + FP}$。
- 召回率 ：使用所有类别中的真阳性总数与真阳性和假阴性的总和的比率来计算，公式为$Recall = \frac{tp}{tp + fn}$。
- F1分数 ：通过计算精确率和召回率的平均值，将两者结合为一个单一的度量，公式为$F1 score = 2 × \frac{Precision × Recall}{Precision + Recall}$。

研究中使用了多种机器学习技术来预测患者是否感染新冠，具体如下：