論文の概要: Performance Evaluation of Classification Models for Household Income,
Consumption and Expenditure Data Set
- arxiv url: http://arxiv.org/abs/2106.11055v1
- Date: Fri, 18 Jun 2021 12:00:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-25 09:39:57.411794
- Title: Performance Evaluation of Classification Models for Household Income,
Consumption and Expenditure Data Set
- Title（参考訳）: 世帯所得・消費・支出データセットの分類モデルの性能評価
- Authors: Mersha Nigus and Dorsewamy
- Abstract要約: 家庭の食品安全状態を分類するために,10種類の機械学習アルゴリズムを用いた。
ランダムフォレストとグラディエント・ブースティングのモデルの性能は0.9997の精度で優れている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Food security is more prominent on the policy agenda today than it has been
in the past, thanks to recent food shortages at both the regional and global
levels as well as renewed promises from major donor countries to combat chronic
hunger. One field where machine learning can be used is in the classification
of household food insecurity. In this study, we establish a robust methodology
to categorize whether or not a household is being food secure and food insecure
by machine learning algorithms. In this study, we have used ten machine
learning algorithms to classify the food security status of the Household.
Gradient Boosting (GB), Random Forest (RF), Extra Tree (ET), Bagging, K-Nearest
Neighbor (KNN), Decision Tree (DT), Support Vector Machine (SVM), Logistic
Regression (LR), Ada Boost (AB) and Naive Bayes were the classification
algorithms used throughout this study (NB). Then, we perform classification
tasks from developing data set for household food security status by gathering
data from HICE survey data and validating it by Domain Experts. The performance
of all classifiers has better results for all performance metrics. The
performance of the Random Forest and Gradient Boosting models are outstanding
with a testing accuracy of 0.9997 and the other classifier such as Bagging,
Decision tree, Ada Boost, Extra tree, K-nearest neighbor, Logistic Regression,
SVM and Naive Bayes are scored 0.9996, 0.09996, 0.9994, 0.95675, 0.9415,
0.8915, 0.7853 and 0.7595, respectively.
- Abstract（参考訳）: 食料安全保障は、地域レベルでも世界レベルでも最近の食糧不足や、慢性的な飢餓と戦うための主要寄付国からの新たな約束のおかげで、これまでよりも政策上の課題で目立ったものとなっている。
機械学習が使用できる分野の1つは、家庭用食品の不安の分類である。
本研究では,家庭が食事の安全であるか否かを機械学習アルゴリズムによって分類するロバストな手法を提案する。
本研究では,家庭の食品安全状態を分類するために,10種類の機械学習アルゴリズムを用いた。
グラディエントブースティング(GB)、ランダムフォレスト(RF)、エクストラツリー(ET)、バッグング(Bgging)、K-Nearest Neighbor(KNN)、決定木(DT)、サポートベクトルマシン(SVM)、ロジスティック回帰(LR)、アダブースト(AB)、ネイブベイズ(Naive Bayes)は、この研究で使われた分類アルゴリズムである。
そして,HICE調査データからデータを収集し,ドメインエキスパートが検証することで,家庭用食品の安全状態のためのデータセットの開発から分類タスクを行う。
すべての分類器のパフォーマンスは、すべてのパフォーマンス指標により良い結果をもたらす。
ランダムフォレストとグラディエントブースティングモデルの性能は、試験精度0.9997と、バッギング、決定木、アダブースト、エクストラツリー、K-アネレスト、ロジスティック回帰、SVM、ネイブベイズなどの他の分類器をそれぞれ0.9996、0.09996、0.09994、0.95675、0.95615、0.8915、0.7853、0.7595とする。
関連論文リスト
- Sdn Intrusion Detection Using Machine Learning Method [0.0]
SDN(Software-Defined Network)は、ネットワーク制御を直接プログラムできる新しいアプローチである。
本研究は,ネットワーク内の感染を捕捉する新しい機械学習手法を開発した。
論文 参考訳（メタデータ） (2024-11-08T12:19:50Z) - The Conditioning Bias in Binary Decision Trees and Random Forests and
Its Elimination [0.0]
格子特性を持つ特徴が存在する場合の条件付き演算子の選択によって生じるバイアスについて検討する。
我々は、このバイアスを排除し、決定木によるさらなる予測を必要とし、無作為な森林のコストを発生させない手法を提案する。
論文 参考訳（メタデータ） (2023-12-17T12:56:39Z) - Forecasting trends in food security with real time data [0.0]
我々は,マリ,ナイジェリア,シリア,イエメンの4カ国で,60日間連続して食料消費の水準を予測する定量的手法を提案する。
この手法は、World Food Programmeのグローバルな飢餓モニタリングシステムから入手可能なデータに基づいて構築されている。
論文 参考訳（メタデータ） (2023-12-01T14:42:37Z) - Predicted Embedding Power Regression for Large-Scale Out-of-Distribution
Detection [77.1596426383046]
本研究では,学習過程において学習したラベル分布に基づいて,予測されたクラスラベルの確率を計算する手法を開発した。
提案手法は,計算コストの最小化のみで,現在の最先端手法よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2023-03-07T18:28:39Z) - Performance of different machine learning methods on activity
recognition and pose estimation datasets [0.0]
本稿では、リッチポーズ推定(OpenPose)とHARデータセットにおける古典的アプローチとアンサンブルアプローチを用いる。
その結果,無作為林はADLの分類において最も正確であることが示唆された。
相対的にすべてのモデルは、ロジスティック回帰とAdaBoostを除いて、両方のデータセットで優れたパフォーマンスを持つ。
論文 参考訳（メタデータ） (2022-10-19T02:07:43Z) - Out-of-Distribution Detection with Hilbert-Schmidt Independence
Optimization [114.43504951058796]
異常検出タスクはAIの安全性において重要な役割を担っている。
ディープニューラルネットワーク分類器は通常、アウト・オブ・ディストリビューション(OOD)の入力を、信頼性の高いイン・ディストリビューション・クラスに誤って分類する傾向がある。
我々は,OOD検出タスクにおいて実用的かつ理論的に有効な代替確率論的パラダイムを提案する。
論文 参考訳（メタデータ） (2022-09-26T15:59:55Z) - Food Odor Recognition via Multi-step Classification [0.0]
我々は,BMEAIスタジオを内蔵したBME688ガスセンサをデータ収集と特徴抽出に使用している。
また,多段階分類器の必要性と実現可能性を示すアブレーション実験を行った。
論文 参考訳（メタデータ） (2021-10-13T23:42:53Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and
Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。
本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。
我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文 参考訳（メタデータ） (2021-05-14T10:05:10Z) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳（メタデータ） (2020-12-31T18:51:17Z) - Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。
モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。
Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
論文 参考訳（メタデータ） (2020-07-20T05:57:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。