43、基于机器学习的新冠感染状态检测与自闭症诊断研究

基于机器学习的新冠感染状态检测与自闭症诊断研究

1. 新冠感染状态检测研究

1.1 数据预处理

在数据预处理阶段，采用了独热编码（One-hot encoding）技术对数据进行标注。独热编码将分类数据转换为算法易于分析的简单格式，为目标变量的每个类别赋予不同的二进制代码。具体来说，在宿主物种（Host Species）字段使用该技术，最终得到一个包含 59,990 列的数据集。
随后，使用训练 - 测试分割（train - test split）方法，按照 80:20 的比例将数据集划分为训练集和测试集。使用训练集中 80% 的标注数据对机器学习算法进行训练，剩余 20% 的标注数据用于评估模型的准确性和泛化能力。为避免过拟合，研究采用了重复 k 折交叉验证（repeated k - fold cross - validation）方法。将数据集划分为十个折叠，每个折叠包含相同数量的数据点。每次交叉验证循环后，在最后一个折叠上测试模型，即使用九个折叠进行训练。重复该技术十次，每个折叠对应一个测试集，最后通过对十个折叠的结果求平均值来评估模型的有效性，这样能更准确地反映模型的泛化能力。

1.2 机器学习模型

研究采用了经典集成、深度学习和集成机器学习三类算法来预测冠状病毒感染人类的能力。
- 经典机器学习方法
- 决策树（DT） ：一种监督学习方法，采用树状结构。决策树可用于在大型数据库中发现特征和模式，辅助进行判别和预测建模。
- K 近邻（KNN） ：通过在训练文档中搜索 k 个最近邻，并利用这些