دانلود مقاله انگلیسی رایگان:گزینه های دیگر برای نشانگرهای کالری مبتنی بر امنیت غذایی: کاربرد روشهای یادگیری ماشین - 2019
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی یادگیری ماشین رایگان
  • Alternatives to calorie-based indicators of food security: An application of machine learning methods Alternatives to calorie-based indicators of food security: An application of machine learning methods
    Alternatives to calorie-based indicators of food security: An application of machine learning methods

    سال انتشار:

    2019


    عنوان انگلیسی مقاله:

    Alternatives to calorie-based indicators of food security: An application of machine learning methods


    ترجمه فارسی عنوان مقاله:

    گزینه های دیگر برای نشانگرهای کالری مبتنی بر امنیت غذایی: کاربرد روشهای یادگیری ماشین


    منبع:

    Sciencedirect - Elsevier - Food Policy, 84 (2019) 77-91: doi:10:1016/j:foodpol:2019:03:001


    نویسنده:

    Marup Hossaina,⁎, Conner Mullallyb, M. Niaz Asadullahc,d,e,f,g


    چکیده انگلیسی:

    Identifying food insecure households in an accurate and cost-effective way is important for targeted food policy interventions. Since predictive accuracy depends partly on which indicators are used to identify food insecure households, it is important to assess the performance of indicators that are relatively easy and inexpensive to collect yet can proxy for the “gold standard” food security indicator, calorie intake. We study the effectiveness of different variable combinations and methods in predicting calorie-based food security among poor households and communities in rural Bangladesh. We use basic household information as a benchmark set for predicting calorie-based food security. We then assess the gain in predictive power obtained by adding subjective food security indicators (e.g., self-reported days without sufficient food), the dietary diversity score (DDS), and the combination of both sets to our model of calorie-based food security. We apply machine learning as well as traditional econometric methods in estimation. We find that the overall predictive accuracy rises from 63% to 69% when we add the subjective and DDS sets to the benchmark set. Our study demonstrates that while alternative indicators and methods are not always accurate in predicting calorie intake, DDS related indicators do improve accuracy compared to a simple benchmark set.
    Keywords: Food security | Poverty | Dietary diversity | Program targeting | Machine learning


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 15
    حجم فایل: 3526 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی