艾鍗學院學員AI專題 - 類流感預測
- 2. AGENDA 核心目標與動機 開發流程及架構 應用及展望 Development structure and process Achievements and prospectives Goals and Visions 開發流程及架構 應用及展望
- 4. OUR VISION 利用Open data (疾管署)類流感確診人數作為數據， 以機器學習模型來預測未來感染數 利用Flask框架請求和回應HTTP， 視覺化預測數據 預測未來感染數 網頁展示視覺化數據 開發流程及架構 應用及展望
- 6. EVALUATION 核心目標與動機 應用及展望 Hit Rate 趨勢走向預測正確率 預測就診數與實際就診數的升降是否一致之比率（越高則模型對趨勢預測的準確率越高）
- 8. EVALUATION 實際值 預測值 第一週 第二週 第三週 第四週 0 5 10 15 20 25 30 35 實際值 預測值 第一週 第二週 第三週 第四週 0 5 10 15 20 25 30 35 Hit Rate：高 MAPE：高 Hit Rate：低 MAPE：較低 核心目標與動機 應用及展望
- 9. EVALUATION MAPE 就診人次預測誤差率 實際就診數與預測就診數之差距比率（越低則模型預測誤差值越低） 核心目標與動機 應用及展望 Hit Rate 趨勢走向預測正確率 預測就診數與實際就診數的升降是否一致之比率（越高則模型對趨勢預測的準確率越高）
- 10. MODEL TRAINING 資料蒐集 & 探勘 資料清洗&整理 特徵工程 模型訓練 & 超參數調整 預測感染數 & 檢視模型表現 核心目標與動機 應用及展望
- 11. DATA MINING 急診傳染病監測統計-類流感: https://data.gov.tw/dataset/14584 健保門診及住院就診人次統計-類流感: https://data.gov.tw/dataset/14593 核心目標與動機 應用及展望 普查資料 每週更新 時間數列資料
- 12. DATA MINING 急診傳染病監測統計-類流感: https://data.gov.tw/dataset/14584 健保門診及住院就診人次統計-類流感: https://data.gov.tw/dataset/14593 核心目標與動機 應用及展望 普查資料 每週更新 時間數列資料
- 13. DATA MINING 台中 新北 高雄 核心目標與動機 應用及展望 台中 新北 門診_年度感染數 急診_年度感染數 年度變化 insights: 各縣市門診&急診感染數母體差異大 1. 疫情期間門診&急診感染數皆降低 2. 視覺檢查，感染數據平穩；單位根檢驗，確認為平穩數據 3. 台北
- 14. DATA MINING 台中 新北 高雄 核心目標與動機 應用及展望 台中 新北 門診_年度感染數 急診_年度感染數 年度變化 insights: 各縣市門診&急診感染數母體差異大 1. 疫情期間門診&急診感染數皆降低 2. 視覺檢查，感染數據平穩；單位根檢驗，確認為平穩數據 3. 台北
- 15. DATA MINING 台中 新北 高雄 核心目標與動機 應用及展望 台中 新北 門診_年度感染數 急診_年度感染數 年度變化 insights: 各縣市門診&急診感染數母體差異大 1. 疫情期間門診&急診感染數皆降低 2. 視覺檢查，感染數據平穩；單位根檢驗，確認為平穩數據 3. 台北
- 16. DATA MINING 台中 新北 高雄 核心目標與動機 應用及展望 台中 新北 門診_年度感染數 急診_年度感染數 年度變化 insights: 各縣市門診&急診感染數母體差異大 1. 疫情期間門診&急診感染數皆降低 2. 視覺檢查，感染數據平穩；單位根檢驗，確認為平穩數據 3. 台北 門診&急診分別訓練 資料具平穩特性
- 17. DATA MINING 感染率 台東 新竹 宜蘭 感染率 = 健保就診總人次 類流感健保就診總人次 insights: 類流感就診的人次在各縣市佔比差異大 核心目標與動機 應用及展望
- 18. DATA MINING 感染率 台東 新竹 宜蘭 感染率 = 健保就診總人次 類流感健保就診總人次 insights: 類流感就診的人次在各縣市佔比差異大 ‘縣市’需作為特徵 核心目標與動機 應用及展望
- 19. DATA MINING 周期變化 insights: 急診&門診感染數在冬季皆會增長 1. 冬季變化急診比門診更劇烈，需要分開訓練 2. 門診_每週感染數 急診_每週感染數 核心目標與動機 應用及展望
- 20. DATA MINING 周期變化 insights: 急診&門診感染數在冬季皆會增長 1. 冬季變化急診比門診更劇烈，需要分開訓練 2. 門診_每週感染數 急診_每週感染數 核心目標與動機 應用及展望 感染案件變化具季節規律性
- 24. 核心目標與動機 應用及展望 Feature Engineering 城市特徵 標籤編碼 (Label Encoding) 疫情期間變化 季節週期變化 標籤編碼 (Label Encoding) 周期性特徵編碼 城市感染率 目標編碼 (Target Encoding) 類流感高峰期 標籤編碼 (Label Encoding) (Cyclical Feature Encoding) 年齡特徵 標籤編碼 (Label Encoding)
- 31. 核心目標與動機 應用及展望 1到5週的滯後值 讓模型考慮歷史感染數，對未來影響。 Feature Engineering II
- 32. 核心目標與動機 應用及展望 5週內最大值＆最小值 捕捉極端情況，幫助預測可能的波動幅度。 1到5週的滯後值 讓模型考慮歷史感染數，對未來影響。 Feature Engineering II
- 33. 核心目標與動機 應用及展望 5週移動平均值 忽略小的噪音，專注於更穩定的長期趨勢。 5週動量指標 了解數據變化的方向&速度。 5週內最大值＆最小值 捕捉極端情況，幫助預測可能的波動幅度。 1到5週的滯後值 讓模型考慮歷史感染數，對未來影響。 Feature Engineering II
- 34. 核心目標與動機 應用及展望 平均成長率 識別長期趨勢走向。 各週之間的成長率 數據的變化速率和增長模式。 5週移動平均值 忽略小的噪音，專注於更穩定的長期趨勢。 5週動量指標 了解數據變化的方向&速度。 5週內最大值＆最小值 捕捉極端情況，幫助預測可能的波動幅度。 1到5週的滯後值 讓模型考慮歷史感染數，對未來影響。 Feature Engineering II
- 35. 機器學習模型訓練 'Year', 'Week', 'Age_Group_Label', 'City_Label', 'Week_Sin', 'Week_Cos', 'Year_sin', 'Year_cos' 'flu_week', 'Covid' 'MA_5Week', 'MTM_5', 'Lag_1', 'Lag_2', 'Lag_3', 'Lag_4', 'Lag_5', 'Lag_1_to_Lag_5_Max', 'Lag_1_to_Lag_5_Min', 'Lag2_to_Lag1_Growth', 'Lag3_to_Lag2_Growth', 'Lag4_to_Lag3_Growth', 'Lag5_to_Lag4_Growth', 'Lag5_to_Lag1_Avg_Growth', 𝒴 Model 𝒳1 𝒳2 𝒳3 . . . 𝒳n ARIMA RF XGB SVR Ensemble 急診傳染病監測統計-類流感 未來四週感染人數 核心目標與動機 應用及展望
- 38. 核心目標與動機 應用及展望 衡量模型準確率 過去4週預測值 VS 實際值
- 39. 核心目標與動機 應用及展望 衡量模型準確率 過去4週預測值 VS 實際值
- 40. 核心目標與動機 應用及展望 Model 就診誤差率 趨勢走向正確率 ARIMA 3.37% 25% RF 3.48% 50% SVR 8.39% 25% XGB 3.12% 25% Ensemble 3.71% 50% 衡量模型準確率 過去4週預測值 VS 實際值 MAPE & Hit Rate
- 41. 核心目標與動機 開發流程及架構 ‧ 模型訓練架構 模型框架
- 42. http://192.168.6.121:5000/0 核心目標與動機 開發流程及架構 ‧ 模型訓練架構 模型前端展示