基于机器学习的建模方法，用于最佳预测COVID-19疫情期间埃塞俄比亚家庭层面的粮食不安全状况

《Scientific Reports》：Machine learning-enhanced modeling approach for optimally predicting household level food insecurity in Ethiopia during COVID-19

　　

摘要

粮食不安全仍然是一个全球性的严峻挑战，低收入国家如埃塞俄比亚承受着不成比例的负担。在数据收集频率较低的情况下，开发预测模型是一种成本效益较高的方法，可以提前识别风险，从而迅速采取救命行动，并支持基于证据的干预措施。本研究利用世界银行收集的埃塞俄比亚高频电话调查数据，开发了能够准确预测家庭层面粮食不安全状况的预测模型。研究比较了机器学习（ML）模型与经典逻辑回归模型在预测家庭粮食不安全方面的表现。这些预测模型经过训练和验证（包括内部验证和时间验证），以评估其随时间的泛化能力。结果表明，机器学习模型在预测家庭粮食不安全方面显著优于传统逻辑回归模型。根据布里尔分数（Brier score）评估，机器学习模型具有更高的预测准确性和更好的校准效果。通过优化超参数进行正则化处理，提高了模型的稳定性和特征选择能力。虽然岭回归（ridge regression）、套索回归（lasso regression）和弹性网络回归（elastic-net regression）产生的系数方向相似，但在选定的预测变量数量上存在差异——其中套索回归模型能够识别出具有相当预测准确性的关键变量。时间验证证实，这些机器学习模型保持了强大的预测能力，证明了它们的可重复使用性和跨时间的泛化性。套索回归模型通过选择一组易于管理的相关特征，有效降低了模型复杂性并提高了可解释性。将此类机器学习模型整合到粮食安全监测系统中，可以帮助政策制定者设计及时且基于数据的干预措施，从而在资源有限的环境中采取主动应对措施。