孟加拉国五岁以下儿童营养不良风险因素识别与分类：机器学习与统计方法
机器学习
2024-12-10 v1
摘要
本研究旨在基于全国多指标类集调查（MICS-2019）数据，理解导致孟加拉国五岁以下儿童营养不良的因素，并基于四种成熟的机器学习算法——决策树（DT）、随机森林（RF）、支持向量机（SVM）和多层感知器（MLP）神经网络——对不同营养不良阶段进行分类。通过准确率、精确率、召回率和 F1 分数来评估每个模型的性能。同时进行了统计皮尔逊相关系数分析，以了解与儿童营养不良相关的显著因素。分析的有效样本为 24,686 份中的 21,858 份。每种情况都获得了令人满意且有见地的结果，其中 RF 和 MLP 表现异常出色。RF 的准确率为 98.55%，平均精确率为 98.3%，召回率为 95.68%，F1 分数为 97.13%。MLP 的准确率为 98.69%，平均精确率为 97.62%，召回率为 90.96%，F1 分数为 97.39%。从皮尔逊相关系数来看，所有负相关结果均已列出，其中影响最显著的因素包括 WAZ2（年龄别体重 Z 分数，WHO）（-0.828）、WHZ2（身高别体重 Z 分数，WHO）（-0.706）、ZBMI（BMI Z 分数，WHO）（-0.656）、BD3（儿童是否仍在母乳喂养）（-0.59）、HAZ2（年龄别身高 Z 分数，WHO）（-0.452）、CA1（儿童近两周内是否腹泻）（-0.161）、Windex5（财富指数五分位）（-0.132）、meduc（母亲教育程度）（-0.034）以及 CA14/CA16/CA17（儿童是否患有伴有发烧、咳嗽的疾病）（-0.004）。
引用
@article{arxiv.2412.05813,
title = {Risk factor identification and classification of malnutrition among under-five children in Bangladesh: Machine learning and statistical approach},
author = {Tasfin Mahmud and Tayab Uddin Wara and Chironjeet Das Joy},
journal= {arXiv preprint arXiv:2412.05813},
year = {2024}
}
备注
In review to Heliyon; 18 pages; 10 figures; 6 tables