解锁洞察力:使用机器学习来识别埃及5岁以下儿童的浪费和风险因素

科学领域:

• 公共卫生 公共卫生
• 儿科 儿科 儿科
• 数据科学数据科学数据科学

背景情况:

• 儿童营养不良,特别是浪费,仍然是一个关键的公共卫生挑战在埃及.
• 尽管全球卫生方面取得了进展,但在五岁以下的儿童中浪费患病率仍然是一个重大问题.

研究的目的:

• 为了确定埃及五岁以下儿童消耗的患病率.
• 通过机器学习模型识别与浪费相关的关键因素.

主要方法:

• 利用了埃及人口和健康调查 (2005,2008,2014) 的二次数据.
• 应用了六种机器学习分类器 (XGBoost,物流回归,随机森林,梯度提升,K-最近邻居,决策树) 来分析营养,母体和社会经济数据.
• 评估模型使用准确度,精度,回忆,F1得分和ROC-AUC.

主要成果:

• 浪费影响5.2%的五岁以下儿童,区域差异很大.
• XGBoost模型表现出卓越的性能,达到94.8%的准确性,94.7%的精度,94.7%的回忆,94.7%的F1得分和99.4%的ROC-AUC.
• XGBoost在预测童年浪费方面非常有效.

结论:

• 机器学习,特别是XGBoost,显示出改善营养状况分类和解决埃及儿童浪费问题的前景.
• 需要进一步的研究来完善预测工具和开发有针对性的干预措施.
• 解决已识别的浪费决定因素对于有效的公共卫生战略至关重要.