第四名神经网络解决方案

我认为我们建立的模型对于本次疫情来说太迟了，无法发挥作用。它们有望（但也可能并不希望）被用于下一次疫情。因此，我希望构建一个可复用的机器学习解决方案。到目前为止，它的表现还不错，但现在下定论还为时过早。无论如何，我想趁还没忘记细节之前把它解释清楚。我有两个 Notebook，一个用于训练，一个用于推理：

• 训练 Notebook
• 推理 Pipeline Notebook

这是一个基于过去两周数据训练的 CNN 模型。在之前的 COVID-19 竞赛中，我的神经网络模型随时间推移出现了发散。我从错误中吸取了教训，这次不想再使用递归预测。我为未来的每一天都训练了不同的模型。以下是模型架构：

一些有效的技巧：

• ReLU 上的累积和：作为最后一层，这保证了预测值非零，且分位数始终保持顺序。
• 直接使用 Pinball Loss 训练：在初始轮次中，我训练了 0.15、0.50 和 0.85 分位数。然后在后期的轮次中使用实际的分位数（0.05、0.50、0.95）进行训练。如果不这样做，模型会过早变得保守，并陷入局部最小值。
• Bagging：每天使用 5 个神经网络模型进行 Bagging 以减少随机性。
• 平滑预测：对每一天 n 的预测进行平滑处理：y(n) = 0.2*y(n-1) + 0.6*y(n) + 0.2*y(n+1)
• 整数化：将预测值四舍五入为整数。这可能对零病例的预测有一点帮助。