On Predictive Modeling Using a New Flexible Weibull Distribution and Machine Learning Approach: Analyzing the COVID-19 Data
Notice bibliographique
Résumé
Predicting and modeling time-to-events data is a crucial and interesting research area. For modeling and predicting such types of data, numerous statistical models have been suggested and implemented. This study introduces a new statistical model, namely, a new modified flexible Weibull extension (NMFWE) distribution for modeling the mortality rate of COVID-19 patients. The introduced model is obtained by modifying the flexible Weibull extension model. The maximum likelihood estimators of the NMFWE model are obtained. The evaluation of the estimators of the NMFWE model is assessed in a simulation study. The flexibility and applicability of the NMFWE model are established by taking two datasets representing the mortality rates of COVID-19-infected persons in Mexico and Canada. For predictive modeling, we consider two pure statistical models and two machine learning (ML) algorithms. The pure statistical models include the autoregressive moving average (ARMA) and non-parametric autoregressive moving average (NP-ARMA), and the ML algorithms include neural network autoregression (NNAR) and support vector regression (SVR). To evaluate their forecasting performance, three standard measures of accuracy, namely, root mean square error (RMSE), mean absolute error (MAE), and mean absolute percentage error (MAPE) are calculated. The findings demonstrate that ML algorithms are very effective at predicting the mortality rate data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».