Exploring Machine Learning Algorithms for the Prediction of Dengue: A Comprehensive Review
Notice bibliographique
Résumé
Vector-borne diseases, transmitted by blood-feeding arthropods like mosquitoes, ticks, and fleas, pose an escalating challenge to global public health.Dengue, a disease propagated by Aedes mosquitoes, is currently the most rapidly spreading vector-borne illness worldwide.Given its endemic nature, the prevention and control of outbreaks remain a global imperative.Timely detection of dengue is critical to mitigate mortality rates, making predictive models indispensable tools for public health planning, resource allocation, and disease control.This study undertakes a comprehensive review of various machine learning algorithms used in developing predictive models for early-stage dengue detection based on presented symptoms.The review encompasses the entire modeling process, including data preprocessing, algorithm implementation, evaluation, and validation.It further delves into the algorithms' ability to accurately classify dengue into febrile, critical, or convalescent phases.An array of machine learning algorithms, including Logistic Regression, K-Nearest Neighbor, Support Vector Machine (SVM), Decision Tree, Artificial Neural Network, and Naive Bayes Classifier were analyzed.The advantages and disadvantages of these algorithms are discussed to identify the most effective approach for dengue prediction.The Naive Bayes algorithm was found to quickly generate predictions with a precision value of 99.1%.However, the SVM model outperformed all others with a cross-validation score of 98.5%, K-Fold validation of 97.5%, precision of 98.2%, and an F1 Score of 98.0%, thereby enhancing the overall performance of the predictive model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».