金磊 晓查 发自 凹非寺 
量子位 报道 | 公众号 QbitAI

年仅27岁的他，被彭博评价为“新冠病毒数据超级明星”。

为什么？

凭一己之力，仅用一周时间打造的新冠预测模型，准确度方面碾压那些数十亿美元、数十年经验加持的专业机构。

他就是Youyang Gu，拥有 MIT 电气工程和计算机科学硕士学位，以及数学学位。

但值得注意的是，他在医学和流行病学等方面却是一个小白。

他的模型，甚至被著名数据科学家、fast.ai创始人Jeremy Howard高度评价道：

唯一看起来合理的模型。

他是唯一一个真正查看数据，并且做得正确的人。

不仅如此，他的模型还被美国疾控中心采用。

到底是个怎样的预测模型？

时间点要追溯到去年年初。

当时疫情已然在全球蔓延开来，于是公众试图用建模的方式，来预测接下来疫情会带来的影响。

大多数的目光都将希望投向了2家专业机构打造的预测系统——伦敦帝国理工学院、总部位于西雅图的健康指标与评估研究所（IHME）。

但2家机构给出的预测结果却是天差地别：

• 伦敦帝国理工学院：到夏天，美国因新冠病毒而死亡的人数将达到200万。

• IHME：预计到8月，死亡人数将达到6万。
  

（后来的事实证明，死亡人数是16万。）

2家专业机构给出的预测数据，差距为何能够如此之大？

这就让当时年仅26岁的Youyang Gu引起了注意。

△ Youyang Gu

虽然他没有任何医学或流行病方面的经验，但他坚信，数据预测在此时会派上大用场。

于是，大约在4月中旬，Youyang Gu便在家里仅花了一周时间，打造出了自己的预测器，以及一个可以显示相关信息的网站。

△Youyang Gu创建的网站

但Gu在这个过程中所用到的方法，并不是说有多么的高级，相反，恰恰是比较简单的那种。

他首先考虑的是新冠病毒检测数、住院人数和其他因素之间的关系，但在这个过程中，Gu却发现各个州和联邦政府所提供的数据是存在不一致的现象。

此时，问题就来了——什么样的数据才是靠谱的？

Gu认为，最靠谱的数据，似乎就是每天的死亡人数：

其他的模型用到了很多数据源，但我决定用过去的死亡人数，来预测未来的死亡人数。

至于这样做的原因，Gu给出的解释是“将它作为唯一的输入，有助于在噪音中过滤信号”。

那么，预测结果如何？

可以说是相当的精准了。

在模型刚刚完成时，他预测在5月9日，美国将有8万人死亡，当天的实际死亡人数为79926。

而同样来自IHME的预测数据却是“2020年一整年的死亡人数将不超过8万”。

Gu还预测在5月18日，死亡人数将达到9万；5月27日，死亡人数将达到10万。

事实证明，他的这两次预测再次“押中”！

除了精准数字的预测外，Gu基于许多州从封锁状态逐步转变开放状态，预测将出现第二波大规模感染和死亡。

而在Gu发出这样的预测当天，特朗普所发表的言论却是“IHME所预测的6万死亡人数表明，疫情很快将结束”……

或许正是因为Gu的模型预测之精准，越来越多人开始关注他的作品。

在Twitter上，Gu不仅@了各路记者，还给流行病学专家发邮件，让他们核实自己的数据。

去年4月底，华盛顿大学著名生物学家Carl Bergstrom便在Twitter上发布了Gu的模型。

不久之后，美国疾病控制和预防中心，也在其新冠预测网站上发布了Gu的数据。

不仅如此，随着疫情的发展，身为中国移民的Gu，还参与了由美国专家团队组织的定期会议，每个人都想更好的改善他的模型。

他的网站访问量也呈现出爆炸式增长，每天都有数百万人来看他的数据。

通常情况下，Gu的模型所预测的数据，基本在几周后便会达到，与实际的死亡人数非常接近。

随着类似的预测模型逐渐增多，阿默斯特马萨诸塞大学生物统计学和流行病学系的副教授Nicholas Reich，便统计了50个这样的模型：

Gu的模型一直位居前列。

但到了去年11月，Gu却做出了令人意外的一个决定——结束他的预测任务。

对此，Reich这样评价道：

Youyang Gu是一个非常谦卑的人，他看到其他人的模型也做得很好，便觉得自己的工作已经完成了。

而在Gu决定停止项目的前一个月，他预测11月1日死亡人数将达到231000人，而实际人数为230995人。

但IHME的Chris Murray认为：

Gu使用的机器学习方法，在短期预测方面的效果比较良好，但不太理解“大局中发生了什么”。

对此，Gu没有针对模型的评价做出回应，相反，他这样表态：

我非常感谢 Chris Murray 医生和他的团队所做的工作；没有他们，我就不会有今天的成就。

在休息了一段时间之后，Gu重新投入到了这份事业当中。

这一次，他要做的预测是“美国有多少人感染了新冠病毒”、“疫苗推出的速度有多快”、“美国可能何时（如果可能的话）达到群体免疫”等。

他的预测表明，到今年6月，大约61%的美国人口应该获得某种形式的免疫力——无论是疫苗还是因过去的感染。

……

Gu一直希望能够找到一份能对社会产生巨大影响的工作，同时避免政治、偏见以及大型机构有时会带来的负担。他认为：

在这个领域，有很多缺点可以通过我这种背景的人来改善。

谁是Youyang Gu？

Youyang Gu出身于美国华裔移民家庭，在伊利诺伊州和加州长大。

Gu从小喜欢数学和科学，直到高中毕业时，才真正接触计算机科学。而他能够进入这个行业得益于他的父亲，因为他的父亲是一名计算机从业者。

△正在做化学实验的Gu Youyang（图片来自2010年克拉克奖学金项目）

Gu本科和硕士都在MIT就读，在那里他获得了计算机科学与数学双学士学位，以及计算机科学的硕士学位。

毕业后他继续在MIT著名的CSAIL实验室的NLP组进行了一年的研究，同年在EMNLP 2016上发表了论文。

这也是他第一次接触大数据，并由此建立统计模型对数据进行预测。

不过他没有因此继续学术研究，而是进入产业界。从MIT离开后，他加入了金融行业，为高频交易系统编写算法。

在那里，他的数据建模能力得到了进一步磨练，因为在金融交易中，数据必须非常定量并尽可能地准确。

之后，他又进入了体育界，继续进行大数据方面的研究。这也为他提供了丰富的跨学科经验，使他能够成功应对新地领域，懂得如何更加准确地建模。

用他自己的话来说，他的专长是使用机器学习来理解数据，将信号与噪声分离并做出准确的预测。

在建立新冠死亡模型时，他起初考虑了确诊数量、住院数量和其他因素之间的关系。然后他发现各州和联邦政府报告的数据不一致，最可靠的数字是每天的死亡人数。

Gu认为，如果输入数据质量很低，那么数据越多，输出的性能就越差。

在一周的时间里，他就根据死亡数据便建立了一个简单模型，并将预测网站上线。

从去年4月以来，Gu已经自愿在这个项目中投入了几千个小时，而且是无偿的。

在接受医学网站Medscape主编Eric Topol采访时，Gu表示自己现在全职投入到新冠预测网站上，没有兼职、没有收入，他靠着过去的积蓄生活。

△ Gu Youyang接受Medscape主编Eric Topol视频采访

然而就是这样一个公益的项目却遭到了一些Twitter网友非议，但是他还是坚持了下来。

从12月开始，covid19-projections.com接受网友的捐赠帮助，现在已经完成了5万美元的筹款目标。

除了感染人数外，Gu的新冠网站又有了一个新的功能。从去年12月起，covid19-projections.com开始跟踪和模拟疫苗接种情况以及群体免疫的途径。

这个月，Gu又将“群体免疫”改成了“恢复常态”，因为他的模型预测表明，美国不太可能在2021年达到理论上的群体免疫。

未来的路怎么走？疫情结束后，Gu的职业规划如何？

他说现在还为时过早，虽然他现在的工作是预测疫情发展，但是他很难预测自己3个月或1年后要做什么。

因为这项工作，世界各地的高校和企业已经向他抛出了橄榄枝。

参考链接：

https://www.bloomberg.com/news/articles/2021-02-19/covid-pandemic-how-youyang-gu-used-ai-and-data-to-make-most-accurate-prediction
https://youyanggu.com/
https://twitter.com/youyanggu
https://covid19-projections.com/
https://www.medscape.com/viewarticle/944778

— 完 —

机器学习系列教程

从随机森林开始，一步步理解决策树、随机森林、ROC/AUC、数据集、交叉验证的概念和实践。

文字能说清的用文字、图片能展示的用、描述不清的用公式、公式还不清楚的写个简单代码，一步步理清各个环节和概念。

再到成熟代码应用、模型调参、模型比较、模型评估，学习整个机器学习需要用到的知识和技能。

1. 机器学习算法 - 随机森林之决策树初探（1）

2. 机器学习算法-随机森林之决策树R 代码从头暴力实现（2）

3. 机器学习算法-随机森林之决策树R 代码从头暴力实现（3）

4. 机器学习算法-随机森林之理论概述

5. 随机森林拖了这么久，终于到实战了。先分享很多套用于机器学习的多种癌症表达数据集 https://file.biolab.si/biolab/supp/bi-cancer/projections/。

6. 机器学习算法-随机森林初探（1）
   

7. 机器学习 模型评估指标 - ROC曲线和AUC值

8. 机器学习 - 训练集、验证集、测试集

9. 机器学习 - 随机森林手动10 折交叉验证

10. 一个函数统一238个机器学习R包，这也太赞了吧

11. 基于Caret和RandomForest包进行随机森林分析的一般步骤 （1）

12. Caret模型训练和调参更多参数解读(2)

13. 机器学习相关书籍分享

14. 基于Caret进行随机森林随机调参的4种方式

15. 送你一个在线机器学习网站，真香！

16. UCI机器学习数据集

17. 机器学习第17篇 - 特征变量筛选（1）

18. 机器学习第18篇 - 基于随机森林的Boruta特征变量筛选（2）

19. 机器学习系列补充：数据集准备和更正YSX包

20. 机器学习第20篇 - 基于Boruta选择的特征变量构建随机森林

往期精品(点击图片直达文字对应教程)

机器学习

后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集

 

（请备注姓名-学校/企业-职务等）