20、基于机器学习的COVID - 19预测与皮肤癌特征提取研究

基于机器学习的COVID - 19预测与皮肤癌特征提取研究

1. COVID - 19预测研究

1.1 评估参数

在使用监督式机器学习模型进行COVID - 19预测时，需要用到一些评估参数来衡量模型的性能：
- R2得分 ：R2得分是一种统计测试，范围从0到100%。它也被称为决定系数或多重决定系数，能够反映模型的拟合程度。R2值越接近100%，说明模型对响应数据围绕其均值的变异性描述得越好；若响应变量的方差为0%，则表示其围绕均值没有变异性。
- 平均绝对误差（MAE） ：MAE是模型预测值与测试数据真实结果的平均绝对差值，取值范围是0到无穷大。MAE值越小，表明学习模型的性能越好，因此它常被视为负向导向的评分指标。
- 均方误差（MSE） ：MSE将数据点与回归线之间的差距进行平方计算。由于平方消除了值的负号，所以它会对较大的差异赋予更大的权重。MSE值越低，说明模型越接近找到最佳拟合。
- 均方根误差（RMSE） ：RMSE被定义为预测误差的标准差。通过计算最佳拟合线与原始数据点之间的差异（即残差），可以使用RMSE将所有单个数据点围绕最佳拟合轴进行聚类。

1.2 研究方法

本研究旨在对COVID - 19的死亡病例、康复病例和确诊病例进行潜在预测，以帮助监测疫情状况。具体步骤如下：
1. 数据收集与划分 ：在初始规划阶段后，将数据收集划分为两个子集，即训练集和测试集。
2. 模型