A Predictive Model Construction for Mulberry Crop Productivity

Ramya, M.; Lokesh, V.; Manjunath, T N; Hegadi, Ravindra S.

doi:10.1016/j.procs.2015.03.108

Cited by 12 publications

(10 citation statements)

References 3 publications

(1 reference statement)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…THEN the caregiver's employment situation should be considered. 8. IF the number of residents is 4 and the race/skin color is non-white and the disease is in its chronic stage and the caregiver is employed.…”

Section: Resultsmentioning

confidence: 99%

“…A decision tree is a reliable technique for developing predictive models and creating classification rules. It is a hierarchical structure method, easy to understand and use, that extracts knowledge from a database and segments heterogeneous data according to similarity, so that they become homogeneous in relation to the study variable (7)(8) .…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Predictive model of hospitalization for children and adolescents with chronic disease

et al. 2020

View full text Add to dashboard Cite

Objectives: Describe a predictive model of hospitalization frequency for children and adolescents with chronic disease. Methods: A decision tree-based model was built using a database of 141 children and adolescents with chronic disease admitted to a federal public hospital; 18 variables were included and the frequency of hospitalization was defined as the outcome. Results: The decision tree obtained in this study could properly classify 80.85% of the participants. Model reading provided an understanding that situations of greater vulnerability such as unemployment, low income, and limited or lack of family involvement in care were predictors of a higher frequency of hospitalization. Conclusions: The model suggests that nursing professionals should adopt prevention actions for modifiable factors and authorities should make investments in health promotion for non-modifiable factors. It also enhances the debate about differentiated care to these patients. RESUMOObjetivos: Descrever um modelo preditor de frequência de internação hospitalar para crianças e adolescentes com doença crônica. Métodos: Foi construído um modelo baseado em árvore de decisão, a partir do banco de dados de 141 crianças e adolescentes, com doença crônica, internados em um hospital público federal. Para construção do modelo, foram incluídas 18 variáveis e a frequência de internação foi definida como desfecho. Resultados: Obteve-se uma árvore de decisão capaz de classificar corretamente 80,85% dos participantes. A leitura do modelo proporcionou o entendimento de que as situações de maior vulnerabilidade, como desemprego, baixa renda, restrições e ausência de envolvimento da família no cuidado, foram preditoras da maior frequência de internação hospitalar. Conclusões: O modelo sugere à enfermagem e equipe ações de prevenção para os fatores modificáveis e investimentos em promoção à saúde para os fatores não modificáveis e fortalece o debate sobre o cuidado diferenciado para esse público. RESUMENObjetivos: Describir un modelo predictor de frecuencia de internación hospitalaria para niños y adolescentes con enfermedades crónicas. Métodos: Se construyó un modelo basado en árboles de decisión, utilizando un banco de datos de 141 niños y adolescentes con enfermedades crónicas internados en hospital público federal. Para elaborar el modelo fueron consideradas 18 variables, la frecuencia de internación fue definida como desenlace. Resultados: Se obtuvo un árbol de decisiones capaz de clasificar correctamente al 80,85% de los participantes. La lectura del modelo permitió entender que las situaciones de mayor vulnerabilidad, como desempleo, bajos ingresos, restricciones y ausencia de compromiso familiar para el cuidado, actuaron como predictoras de mayor frecuencia de internación hospitalaria. Conclusiones: El modelo sugiere a la enfermería y equipo acciones preventivas para aquellos factores modificables, e inversión en promoción de salud para los factores no modificables; fortaleciendo también el debate sobre el cuidado diferenciado para esta población.

show abstract

Section: Resultsmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Predictive model of hospitalization for children and adolescents with chronic disease

et al. 2020

View full text Add to dashboard Cite

show abstract

“…O J48 é um algoritmo que pode lidar tanto com atributos contínuos e discretos, quanto com valores categóricos e valores ausentes. O tratamento de atributos contínuos envolve a consideração de todos os valores presentes no conjunto de treinamento, fazendo com que sejam ordenados de forma crescente considerando todos os valores presente nos dados de treinamento e, após esta ordenação, seja selecionado o valor que favorecerá a redução da entropia (Camargo et al (2016); Ramya et al (2015)). )).…”

Section: Referencial Teóricounclassified

“…Para avaliação do potencial preditivo dos modelos foi usado como indicador a estatística Kappa, que compara o sistema de exatidão com o sistema aleatório, ou seja, é obtida a partir da matriz de classi cação (ou de confusão), que é formada pelos erros e acertos das decisões do modelo, de tal modo que os acertos estão dispostos na diagonal principal da matriz e os erros fora dela. É uma medida de qualidade do modelo na qual se veri ca o comportamento das decisões, e testa sua con abilidade e precisão quando pondera sua concordância considerando os erros e acertos da decisão a partir de uma referência (Duda et al (2012); Ramya et al (2015)). Tal medida é obtida pela equação 6, a acurácia total e aleatória é dada pelas equações 7 e 8, respectivamente, em que o n é o número de colunas e linhas em uma matriz de classi cação; m ij é o elemento (i, j) da matriz de classi cação; N é o número total de observações.…”

Section: Medidas De Acuráciaunclassified

“…A tomada de decisão é um processo de escolha entre duas ou mais alternativas para alcançar um ou mais objetivos de forma e ciente, podendo utilizar-se para tanto de modelos que subsidiem a fase de escolha e implementação da decisão mais apropriada (Turban et al;.As árvores de decisão têm sido usadas como técnicas con áveis para desenvolvimento de modelos preditivos de apoio à tomada de decisão por se tratarem de estruturas grá cas hierárquicas de fácil entendimento e aplicação, caracterizadas por segmentar dados heterogêneos de acordo com suas similaridades de maneira que se tornem mais homogêneos em relação à variável alvo (Cervantes et al;; (Ramya et al;. A relevância de tais árvores para a tomada de decisão se dá por sua capacidade preditiva, ou seja, a capacidade do modelo em predizer no presente as interações que ocorrerão no futuro com um nível de certeza, auxiliando na resolução de problemas em diferentes áreas (Evangeline and Sudhasini (2016); Sousa et al (2011)),incluindo a área da saúde como apresentado nos trabalhos de (Funchal et al (2015), Maciel et al (2015) e Kamadi et al (2016)).…”

Section: Introductionunclassified

See 1 more Smart Citation

Avaliação da performance do algoritmo J48 para construção de modelos baseados em árvores de decisão

Vieira¹,

Neves

Oliveira

et al. 2018

RBCA

View full text Add to dashboard Cite

ResumoAs árvores de decisão são modelos hierárquicos utilizados em várias áreas do conhecimento por sua capacidade preditiva e de resolução de problemas de maneira simples e objetiva. Entretanto, apresentam algumas limitações relacionadas à sua adequação à base de dados e ao se atentar quanto aos procedimentos para seleção dos parâmetros de crescimento e poda a serem adotados. Desta forma, têm-se como objetivo avaliar e discutir a performance do algoritmo J48 para construção de modelos de tomada de decisão em árvore em base de dados com atributos de diferentes tipos. Para tanto, realizaram-se experimentos em 10 bases de dados disponíveis em repositório internacional, considerando como variantes os métodos de treinamento, teste e poda, aplicados em toda base de dados e com o uso dos métodos Wrapper e CFS (Correlation-based Feature Selection) para seleção de atributos. Identi cou-se que na presença de dados contínuos, os únicos modelos que apresentaram boa capacidade preditiva estiveram presentes em situações em que a grande quantidade de exemplos puderam compensar tal de ciência. Os modos de treinamento "validação cruzada" e "divisão por porcentagem" mostraram-se similares em suas predições quando ajustados a 10 folds e 75%, respectivamente. Ademais, a seleção de atributos não foi capaz de gerar melhores predições denotando que tal método de forma isolada não compensa possíveis inadequações nas bases de dados. Pode-se constatar que os resultados referentes à capacidade preditiva dos modelos são fortemente direcionados pelo quantitativo de exemplos pertencentes à base, presença de dados contínuos e de dados com ruído.Palavras-Chave: Árvore de decisão. J48. Modelo de decisão. AbstractDecision trees are hierarchical models used in several areas of knowledge due to their predictive capacity and problem solving in a simple and objective way. However, they present some limitations related to their adequacy to the database and in regard to paying attention to the procedures for selection of growth and pruning parameters to be adopted. In this way, the objective is to evaluate and discuss the performance of the J48 algorithm for the construction of tree decision-making models in databases with attributes of di erent types. Therefore, experiments in 10 databases available in international repository were carried out, considering as variants the training, testing and pruning methods, applied throughout the database and using the Wrapper and Correlation-based Feature Selection (CFS) methods for attribute selection. It was identi ed that in the presence of continuous data, the only models that presented good predictive capacity were present in situations in which the large number of examples could compensate for such de ciency. The cross-validation and percentage split training modes were similar in their predictions when adjusted to 10 folds and 75%, respectively. Furthermore, the selection of attributes was unable to generate better predictions denoting that such a method, in an isolated way, does not compensate for possibl...

show abstract

Agribusiness Intelligence: Grape Production Forecast Using Data Mining Techniques

Oliveira¹,

Mendes-Moreira²,

Ferreira³

2018

Advances in Intelligent Systems and Computing

View full text Add to dashboard Cite

A Predictive Model Construction for Mulberry Crop Productivity

Cited by 12 publications

References 3 publications

Predictive model of hospitalization for children and adolescents with chronic disease

Predictive model of hospitalization for children and adolescents with chronic disease

Avaliação da performance do algoritmo J48 para construção de modelos baseados em árvores de decisão

Agribusiness Intelligence: Grape Production Forecast Using Data Mining Techniques

Contact Info

Product

Resources

About