light box
امتیاز 2.58 پیش‌بینی مستقل از سال ناامنی غذایی">

نوع فایل : word
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 28
تعداد کلمات : 7800
مجله : AI
انتشار : 2021
ترجمه متون داخل جداول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ، ،

عنوان فارسی مقاله:پیش‌بینی مستقل از سال ناامنی غذایی با استفاده از روش‌های یادگیری ماشینی کلاسیک و شبکه عصبی

 چکیده

  پیش‌بینی‌های کنونی بحران غذایی توسط شبکه سیستم هشدار زودهنگام قحطی توسعه داده می‌شود، اما آنها نمی‌توانند اکثر شیوع بحران غذایی را با معیارهای مدل فراخوانی (۰٫۲۳)، دقت (۰٫۴۲) و  f1 طبقه‌بندی کنند. در این کار، با استفاده از مجموعه داده بانک جهانی، الگوریتم‌های یادگیری ماشین کلاسیک و شبکه عصبی (NN) برای پیش‌بینی بحران‌های غذایی در ۲۱ کشور توسعه داده شد. بهترین الگوریتم رگرسیون لجستیک کلاسیک به سطح بالایی از اهمیت (۰۰۱/۰p) و دقت (۷۵/۰) دست یافت اما در فراخوانی (۲۰/۰) و  f1(0.32) کمبود داشت. الگوریتم کلاسیک نشان داد که شاخص پوشش گیاهی و شاخص قیمت مواد غذایی هر دو با بحران‌های غذایی همبستگی مثبت دارند. یک روش جدید برای انجام یک جستجوی فراپارامتر چند بعدی تکراری ارائه شده است که منجر به بهبود معنی داری از عملکرد هنگام اعمال به این مجموعه داده می شود. چهار تکرار انجام شد که منجر به ۰٫۹۶ عالی برای معیارهای دقت، فراخوانی و f1 شد. با توجه به این عملکرد قوی، سال بحران غذایی از مجموعه داده حذف شد تا از برون یابی فوری هنگام استفاده در داده های آینده جلوگیری شود و فرآیند مدل سازی تکرار شد. بهترین معیارهای مدل “بدون سال” قوی باقی ماندند، به ۰٫۹۲ ≥ برای فراخوانی، دقت، و f1 دست یافتند در حالی که در مجموعه داده های آزمایشی (۰٫۸۴) و نگهدارنده (۰٫۸۳) آستانه بیش برازش ۱۰٪ f1 را برآورده کردند. مدل شبکه عصبی سالیانه یک رویکرد جدید برای طبقه‌بندی بحران‌های غذایی و عملکرد بهتر از تلاش‌های فعلی پیش‌بینی بحران غذایی را نشان می‌دهد(پیش‌بینی مستقل از سال ناامنی غذایی).

Title: Year-Independent Prediction of Food Insecurity Using Classical and Neural Network Machine Learning Methods

Abstract

 Current food crisis predictions are developed by the Famine Early Warning System Network, but they fail to classify the majority of food crisis outbreaks with model metrics of recall (0.23), precision (0.42), and f1 (0.30). In this work, using a World Bank dataset, classical and neural network (NN) machine learning algorithms were developed to predict food crises in 21 countries. The best classical logistic regression algorithm achieved a high level of significance (p < 0.001) and precision (0.75) but was deficient in recall (0.20) and f1 (0.32). Of particular interest, the classical algorithm indicated that the vegetation index and the food price index were both positively correlated with food crises. A novel method for performing an iterative multidimensional hyperparameter search is presented, which resulted in significantly improved performance when applied to this dataset. Four iterations were conducted, which resulted in excellent 0.96 for metrics of precision, recall, and f1. Due to this strong performance, the food crisis year was removed from the dataset to prevent immediate extrapolation when used on future data, and the modeling process was repeated. The best “no year” model metrics remained strong, achieving 0.92 for recall, precision, and f1 while meeting a 10% f1 overfitting threshold on the test (0.84) and holdout (0.83) datasets. The year-agnostic neural network model represents a novel approach to classify food crises and outperforms current food crisis prediction efforts.

      دیدگاهها بسته است.

      محصولات مشابه
      کمبود(نقص) توجه و علائم ADHD در بزرگسالان مبتلا به بیماری فابری – یک مطالعه آزمایشی
      خـریـد محـصـول
      مرزهای جدید در مدیریت سرطان رکتوم اولیه و پیشرفته
      خـریـد محـصـول
      ریسک میوکاردیت و پریکاردیت در بزرگسالان جوان به دنبال واکسیناسیون mRNA COVID-19
      خـریـد محـصـول
      بروز میوکاردیت و پریکاردیت در بیماران واکسینه نشده پس از کووید-۱۹
      خـریـد محـصـول
      الگوریتم ازدحام آفتاب پرست کارآمد برای مسئله توزیع بار اقتصادی
      خـریـد محـصـول
      فرآیند بازآفرینی شهری: مورد یک مجتمع مسکونی در حومه رم، ایتالیا
      خـریـد محـصـول
      رابطه پویا بین شاخص سهام و قیمت دارایی: تجزیه و تحلیل بلندمدت
      خـریـد محـصـول
      تشخیص بیماری پوسیدگی طوقه در گندم در شرایط محیطی کنترل شده
      خـریـد محـصـول
      بکارگیری بهینه سازی برای حمایت از مدیریت تطبیقی آب رودخانه ها
      خـریـد محـصـول
      ارزیابی تأثیر آموزش زیست محیطی بر رفتار سازگار با محیط زیست
      خـریـد محـصـول
      ثبت اختراع یا انتشار مقاله

      در اولین مرحله از شروع یک تحقیق جدید نیاز است منابع مختلفی جستجو شود تا جدید بودن ایده مورد بررسی قرار گیرد. یکی از بهترین منابع جهت جستجو، لیست اختراع های ثبت شده است. پایگاه های جستجوی پتنت به محقق کمک میکند پیشینه تحقیق خود را مورد بررسی قرار دهد تا مطمئن شود کار تکراری انجام نمیدهد. سامانه جستجوگر مالکیت فکری دارکوب به تازگی از پایگاه جستجو علائم تجاری خود نیز رونمایی کرده است که دارای امکانات تخصصی فراوانی می باشد.

      ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

      در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

      از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

       
      برو بالا