PulseAugur
中
实时 09:02:23
English(EN) Measuring Poverty and Inequality with Reduced Data: A Machine Learning Approach Using Nigerian Household Data

机器学习利用减少的尼日利亚家庭数据预测贫困

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种使用随机森林递归特征消除（RF-RFE）的机器学习方法，以识别衡量尼日利亚贫困和不平等状况的关键指标。通过分析家庭调查数据，研究发现一小组收入来源、消费类别和家庭特征可以准确预测贫困状况和福利分配地位。这种方法可以显著减少未来调查的数据要求，从而能够更有效地监测低收入和中等收入国家的贫困和不平等状况。 AI

影响 这项研究表明了机器学习如何优化贫困和不平等指标的数据收集，可能导致发展中国家更有效和更具成本效益的监测。

排序理由 学术论文，详细介绍了用于社会经济调查数据减少的新型机器学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Vanesa Jord\'a, Miguel Ni\~no-Zaraz\'ua ·

    利用机器学习方法，使用尼日利亚家庭数据，在数据减少的情况下衡量贫困和不平等

    arXiv:2606.07614v1 Announce Type: new Abstract: Reliable measurement of income and consumption is essential for monitoring poverty and inequality in low- and middle-income countries, yet full household surveys are costly and difficult to implement regularly. This paper examines w…

相关实体

相关话题