贝叶斯相加回归树模型在猩红热发病率预测中的应用
发病率的预测对于传染病的预防与控制起着重要的作用.随着机器学习理论的发展及其在医学领域的应用,更多非线性的机器学习回归方法被应用于传染病发病率的预测中,但目前尚未有使用决策树模型对于发病率进行预测的研究.本文介绍一种新颖的贝叶斯相加回归树模型(Bayesian Additive Regression Tree,BART)应用于猩红热发病率的预测,并与多元线性回归模型及季节性自回归差分移动平均模型进行对比,探讨该模型在实际中应用的可行性.
猩红热 发病率 贝叶斯相加回归树模型 预测精度
段禹 王静
安徽医科大学流行病与卫生统计学系
国内会议
天津
中文
370-370
2016-07-26（万方平台首次上网日期，不代表论文的发表时间）