字节到 bites：基于国家特定机器学习模型的饥荒预测
机器学习
2024-09-17 v1
摘要
饥荒危机是全球性严重问题，尤其影响着数百万低收入和发展中国家。本研究探讨了机器学习如何被用于预测和信息化决策以应对饥荒和饥饿危机。通过利用多样化变量（自然、经济及冲突相关），我们采用线性回归、XGBoost 和 RandomForestRegressor 三种机器学习模型来预测食物消费评分——住户营养的关键指标。RandomForestRegressor 表现最为准确，平均预测误差为 10.6%，但准确率在不同国家间差异显著，范围从 2% 到 30%以上。值得注意的是，经济指标在预测平均住户营养水平时始终是最重要的预测因子，而无单一特征在所有地区都占据主导地位，这凸显了需要全面数据收集和针对性、国家特定模型的必要性。这些发现表明，机器学习，特别是随机森林，具有提升饥荒预测能力的潜力，暗示持续的研究和改进的数据收集对于实现更有效的全球饥饿预测至关重要。
引用
@article{arxiv.2409.09980,
title = {From Bytes to Bites: Using Country Specific Machine Learning Models to Predict Famine},
author = {Salloni Kapoor and Simeon Sayer},
journal= {arXiv preprint arXiv:2409.09980},
year = {2024}
}
备注
17 pages, 7 figures, 2 tables