Machine learning en ARIMA vergeleken voor volksgezondheid
Een nieuwe studie onderzoekt de prestaties van machine learning en traditionele tijdreeksmodellen bij volksgezondheidsprognoses. Daarbij is gekeken naar het omgaan met onregelmatige data en ruis in monitoringcijfers.
Wetenschappers hebben verschillende voorspellingsmodellen, waaronder random forest en XGBoost, vergeleken met traditionele statistische methoden zoals ARIMA. Het doel was om te bepalen hoe goed deze systemen reageren op abrupte veranderingen in surveillancegegevens, zonder dat ze reageren op tijdelijke ruis of onvolkomenheden in de registratie. Hiervoor is gebruikgemaakt van historische tijdreeksdata.
Het juist voorspellen van trends in de volksgezondheid is complex door de aanwezigheid van onregelmatige patronen en registratie-artefacten. Machine learning wordt steeds vaker ingezet om flexibeler in te spelen op dit soort dynamische processen. Door het toepassen van strikte kruisvalidatie blijft de temporele volgorde behouden, wat bijdraagt aan de betrouwbaarheid van de evaluatie.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel