Exploring Machine Learning Algorithms for the Prediction of Dengue: A Comprehensive Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle