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).

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

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.