ترجمه فارسی مقاله از بایت تا بایت: استفاده از مدل‌های یادگیری ماشین خاص کشور برای پیش‌بینی قحطی

چکیده

Hunger crises are critical global issues affecting millions, particularly in low-income and developing countries. This research investigates how machine learning can be utilized to predict and inform decisions regarding famine and hunger crises. By leveraging a diverse set of variables (natural, economic, and conflict-related), three machine learning models (Linear Regression, XGBoost, and RandomForestRegressor) were employed to predict food consumption scores, a key indicator of household nutrition. The RandomForestRegressor emerged as the most accurate model, with an average prediction error of 10.6%, though accuracy varied significantly across countries, ranging from 2% to over 30%. Notably, economic indicators were consistently the most significant predictors of average household nutrition, while no single feature dominated across all regions, underscoring the necessity for comprehensive data collection and tailored, country-specific models. These findings highlight the potential of machine learning, particularly Random Forests, to enhance famine prediction, suggesting that continued research and improved data gathering are essential for more effective global hunger forecasting.

چکیده به فارسی (ترجمه ماشینی)

بحران گرسنگی موضوعات مهم جهانی است که میلیون ها نفر ، به ویژه در کشورهای کم درآمد و در حال توسعه ، تأثیر می گذارد.این تحقیق بررسی می کند که چگونه می توان از یادگیری ماشین برای پیش بینی و اطلاع رسانی تصمیمات مربوط به بحران قحطی و گرسنگی استفاده کرد.با استفاده از مجموعه متنوعی از متغیرها (طبیعی ، اقتصادی و مرتبط با درگیری) ، سه مدل یادگیری ماشین (رگرسیون خطی ، XGBOOST و RandomForeStregressor) برای پیش بینی نمرات مصرف مواد غذایی ، شاخص اصلی تغذیه خانگی استفاده شدند.Forestregressor به عنوان دقیق ترین مدل ظاهر شد ، با یک خطای پیش بینی متوسط ​​10.6 ٪ ، اگرچه دقت در کشورها به طور قابل توجهی متفاوت بود ، از 2 ٪ تا بیش از 30 ٪.نکته قابل توجه ، شاخص های اقتصادی به طور مداوم مهمترین پیش بینی کننده های متوسط ​​تغذیه خانگی بودند ، در حالی که هیچ ویژگی واحدی در همه مناطق حاکم نبود ، و تأکید بر ضرورت جمع آوری داده های جامع و مدل های خاص کشور.این یافته ها پتانسیل یادگیری ماشین ، به ویژه جنگل های تصادفی را برای تقویت پیش بینی قحطی برجسته می کند ، نشان می دهد که ادامه تحقیقات و بهبود جمع آوری داده ها برای پیش بینی گرسنگی جهانی مؤثرتر ضروری است.