PRIMENA MAŠINSKOG UČENJA U PREDIKCIJI ŽIVOTNOG VEKA LJUDI NA OSNOVU SOCIO-EKONOMSKIH I DEMOGRAFSKIH KARAKTERISTIKA
Ključne reči:
HALE, polu-nadgledano učenje, baza podataka SZO
Apstrakt
Ovaj rad analizira primenu različitih metoda mašinskog učenja u predikciji životnog veka ljudi koristeći socio-ekonomske i demografske karakteristike. Kroz obradu podataka iz skupa ‚World Health Statistics 2020‘ Svetske zdravstvene organizacije, razvijeni su modeli koji koriste algoritme poput Decision Tree, XGBoost, Random Forest i neuronskih mreža. Rad opisuje proces preprocesiranja podataka, treniranje modela i evaluaciju performansi, sa posebnim fokusom na upotrebu Python biblioteka kao što su NumPy, Pandas, TensorFlow i Scikit-learn za implementaciju rešenja.
Reference
[1] Wolfson, M.C., 1996. Health-adjusted life expectancy. Health Reports-Statistics Canada, 8, pp.41-45.
[2] Luy, M., Di Giulio, P., Di Lego, V., Lazarevič, P. and Sauerberg, M., 2020. Life expectancy: frequently used, but hardly understood. Gerontology, 66(1), pp.95-104.
[3] Tanha, J., Van Someren, M. and Afsarmanesh, H., 2017. Semi-supervised self-training for decision tree classifiers. International Journal of Machine Learning and Cybernetics, 8, pp.355 370.
[4] Hill, K. and Choi, Y., 2006. Neonatal mortality in the developing world.Demographic research, 14, pp.429-452.
[2] Luy, M., Di Giulio, P., Di Lego, V., Lazarevič, P. and Sauerberg, M., 2020. Life expectancy: frequently used, but hardly understood. Gerontology, 66(1), pp.95-104.
[3] Tanha, J., Van Someren, M. and Afsarmanesh, H., 2017. Semi-supervised self-training for decision tree classifiers. International Journal of Machine Learning and Cybernetics, 8, pp.355 370.
[4] Hill, K. and Choi, Y., 2006. Neonatal mortality in the developing world.Demographic research, 14, pp.429-452.
Objavljeno
2025-04-04
Sekcija
Elektrotehničko i računarsko inženjerstvo
