دانلود مقاله بررسی آماری و تحلیل تلفیقی از اطلاعات کاهش هدفمند فقر با الگوریتم داده کاوی کلان داده ها

     برای رسیدن به درکی جامع تر و سیستماتیک تر از تاثیر کمک های دولت به خانوارهای فقیر به منظور تحقق اهداف مبتنی بر کاهش فقر، در این مقاله در کنار بررسی الگوریتم داده کاوی کلان داده ها به بررسی تلفیقی از یک جامعه آماری و تحلیل اطلاعات برنامه کاهش هدفمند فقر می پردازیم. در این بررسی مطابق ماژول خط لوله در یادگیری ماشین (ML) در چارچوب اسپارک که یک چارچوب محاسباتی کلان داده می باشد پیش رفتیم و علم کلان داده های عصر جدید و الگوریتم های شناخته شده داده کاوی را با یکدیگر ادغام نمودیم،‌ پیش تر برای مدل سازی و تحلیل به حجم زیادی از داده نیاز بود اما در این مدل، روش نمونه گیری تصادفی طبقه ای را مورد استفاده قرار دادیم و بدین ترتیب توانستیم مدل جنگل تصادفی، مدل لجستیک و مدل آبشاری جدید پیشنهادی خود برای بررسی خانوارهای فقیر را تدوین نماییم. برای شناسایی خانوارهای ضعیف از چندین روش شناسایی استفاده نمودیم و به ارزیابی مقایسه ای نتایج آن ها پرداختیم، در نهایت، ‌نتایج نشان می دهند هنگامی که با 100 داده واقعی صحت سه روش شناسایی خانوار فقیر را مورد آزمایش قرار دهیم، مقدار مدل جنگل تصادفی تا 82 درصد و مقدار مدل لجستیک تا 72 درصد کاهش می یابد که تغییر اندکی به شمار می آید، اما مقدار مدل آبشاری بدون تغییر در همان 83 در صد ثابت باقی می ماند و در هر سه مدل تغییرات ناچیزی رخ خواهد داد. مزیت طراحی جدیدی که در این مقاله برای مدل آبشاری ارائه شده این است که در این روش می توان تا درصد زیادی نمونه ها را مجدد مورد استفاده قرار داد و از این طریق می توان به شکل موثری از برازش بیش از حد نمونه ها اجتناب ورزید، به همین دلیل دیگر نیازی به وجود حجم زیادی از داده نمی باشد. مدل جدید ما مدلی پایدار و قابل اعتماد می باشد. به کارگیری تلفیقی از الگوریتم های هدفمند کاهش فقر با فناوری اطلاعات کلان و داده کاوی را می توان از عمده دلایلی دانست که منجر شدند نتایج حاصل از استفاده  از این مدل دقیق تر و قانع کننده‌تر بشوند. شیار تنه و شیار سمت راست غالبا به خاطر جامعه آماری از علت های شایع کنار گذاشته می‌شوند.

1. مقدمه

     در اواسط قرن بیستم،‌ رهایی از فقر به یکی از مشکلات اولیه دولت ها در جوامع بین المللی تبدیل شده بود و لازم بود در استراتژی های توسعه اقتصادی ملی راه حلی برای مرتفع ساختن آن تعبیه شود. علت اصلی این مسئله در واقع رکورد جهانی اقتصاد بود. تمام کشورها توسعه اقتصادی را وظیفه اصلی و اولیه توسعه ملی می دانستند و معتقد بودند محتوای اصلی سازمان های بین المللی باید بر روی مسئله فقرزدایی متمرکز باشد ]1[. سپس، در دهه 1980، جامعه بین المللی به تدریج متوجه شد که دلیل فقر کمبود درآمد اقتصادی نیست، بلکه فقر مربوط به مشکلات اجتماعی است که عوامل متعددی از جمله منابع اجتماعی، سیاست های ملی، آموزش و درمان و دیگر جنبه ها حتی مسائل نژادی را نیز در بردارد. کشور چین برای فقرزدایی قدم در مسیر دیگری گذاشت و نقطه اتکا راه حل خود برای رفع این مشکل را از رشد اقتصادی صرف جدا کرد و به سمت روشی پیش رفت که در آن توسعه پایدار یکی از راهبردهای اصلی فقرزدایی به شمار می رود ]2[. از نظر دولت برای اکثر خانوارهای فقیری که به حمایت نیاز دارند، الگوی فقرزدایی گسترده قبلی در شرایط آن زمان برای فقرزدایی جامعه دیگر الگوی قابل اجرایی محسوب نمی شد. پس از مدتی، دبیر کل کشور آقای شی طرح کاهش هدفمند فقر را پیشنهاد داد. فقرزدایی هدفمند مانند الگوی فقرزدایی گسترده منطقه ای عمل نمی کند، این الگو تنها جمعیت فقیر، یعنی کوچک ترین واحد در کاهش فقر را هدف قرار می دهد. هدف از فقرزدایی هدفمند، خنثی کردن نقش اقتصاد است که یکی از اقدامات ضروری در جهت کاهش اثربخشی فقرزدایی ناشی از رشد می باشد ]3، 4[.

5. نتیجه گیری

     ماهیت اصلی طرح کاهش هدفمند فقر بر این اصل استوار است که دولت بتواند به کمک آن به بهترین نحو خانوارها و افراد فقیر را شناسایی کرده، علل و میزان فقر را دریافته و کمک هاب عملی و موثری انجام داده تا بتواند به طور اساسی موانع ایجاد کننده فقر را در هم شکند. نظر به توسعه سریع و روزافزون اقتصاد، می توان گفت که سطح درآمد کشور جدا نامتعادل می باشد. روش پیشین کاهش فقر گسترده منطقه ای مدت هاست که قابل اجرا نمی‌باشد. از این رو، مدل فقرزدایی هدفمند شکل گرفت. در این تحقیق، برای داده کاوی از الگوریتم لجستیک، الگوریتم جنگل تصادفی و مدل پیشنهادی جدید یعنی مدل آبشاری استفاده کردیم. مدل پیشنهادی جدید ما یعنی مدل آبشاری در استفاده مجدد از نمونه ها مزایای زیادی از خود نشان داده است، عملا می تواند از برازش بیش از حد جلوگیری نماید و برای پردازش هیچ نیازی به داده های بزرگ ندارد. این مدل جدید مدلی پایدار و قاب اعتماد می باشد. برای به نتیجه رسیدن تحقیقات لازم است الگوی کمک به کاهش فقر غیر عادی که حاصل تحقیقات فوق می باشد را طراحی و اجرا کنید و این الگو را در مسیر حقیقی و عملی فقرزدایی اعمال نمایید تا پرسنل شما بتوانند با وارد کردن اطلاعات اولیه و داده های کمکی کشاورزان به سیستم، کمک های کارآمد دولتی را به روستاییان برسانند. این الگو قادر است در پدیده کمک های غیر طبیعی موجود اصلاحات به موقع و موثری را انجام دهد و به این ترتیب در فرایند فقرزدایی هدفمند به دولت کمک کند.

     To gain a more comprehensive and systematic understanding of the impact of government assistance to poor households on poverty reduction targets, a targeted poverty alleviation information statistics and analysis integrated with big data mining algorithm is proposed. Combined with the big data knowledge of the new era, according to the machine learning (ML) pipeline module in spark, a big data computing framework, combined with known data mining algorithms, massive sample data are used to replace random stratified sampling data for modeling and analysis, and random forest model, logistic model, and newly proposed waterfall model are constructed for poor households. Finally, through the comparative evaluation of several poor household identification models, the results show that when 100 real data test the accuracy of the three poor household models, the random forest model and logistic model are slightly reduced, which are 82% and 72%, respectively, but the waterfall model is basically unchanged, which is 83%, and the three models have little change. The new waterfall design proposed in this article has the advantage of a high percentage of sample reuse and can effectively prevent overfitting, and there is no need for massive data. It is a stable and reliable new model. The combination of targeted poverty reduction algorithms and big information technology and mining data can get the most common causes more accurate and convincing results. The right rib trunk and rib are often separated from the common cause because of the population.

1. Introduction

     In the middle of the 20th century, getting rid of poverty has become the primary problem of governments in the international community and one of the problems that must be solved in the national economic development strategy. The main reason is that the global economic level is depressed. All countries regard economic development as the primary task of national development and the core content of international organizations to solve the problem of poverty alleviation [1]. Then, in the 1980s, the international community began to gradually realize that the reason for poverty is not the lack of economic income, but a social problem involving social resources, national policies, medical education, and other aspects, even related to race. China began to move towards the road of not relying solely on economic growth to solve the problem of poverty alleviation, in which sustainable development is one of the main strategies to solve the problem of poverty [2]. From the perspective of the state for the majority of poor households who need to be supported, the previous extensive poverty alleviation model has long been inapplicable to the poverty alleviation population under the current conditions. Afterwards, General Secretary Xi proposed targeted poverty alleviation. Targeted poverty alleviation is no longer the extensive regional poverty alleviation model but targeted at the poor population, that is, the smallest unit in poverty alleviation. The purpose of targeted poverty alleviation is to offset the economic that is one of the necessary measures to be taken to reduce the effectiveness of poverty alleviation due to growth [3, 4].

5. Conclusion

     The essence of targeted poverty alleviation is that the government effectively identifies poor families and members, excavates the causes and extent of poverty, and carries out practical and effective assistance, so as to fundamentally break the barriers of poverty. With the rapid economic development, the national income level is seriously unbalanced. The previous extensive regional poverty alleviation method has long been inapplicable. In this case, targeted poverty alleviation came into being. Through the research, the logistic algorithm, random forest algorithm, and the newly proposed waterfall model in data mining are found. The newly proposed waterfall model has the advantages of high sample reuse rate, can effectively prevent overfitting, and has no demand for massive data. It is a stable and reliable new model. Visualize the research results, design and implement the abnormal poverty assistance model obtained in the above research work, and apply it to the actual poverty alleviation work, so that the staff can get the effectiveness of the government’s policy assistance to the village by importing the basic information and assistance data of farmers into the system. It can make timely and effective adjustments to the existing abnormal assistance phenomenon, so as to provide help for the government in the targeted poverty alleviation work.

(جهت بزرگ نمایی روی عکس کلیک نمایید)

1. مقدمه

2. بازبینی مطالعات پیشین

3. روش تحقیق

3.1. فناوری تحلیل کلان داده ها

3.2. اصلاح مشخصه های چند بعدی فقر در کشاورزان

3.2.1. مروری بر تئوری سلسله مراتب نیازهای مزلو

3.2.2. انتخاب مشخصه های فقر بر اساس سطح تقاضای مدل مزلو

3.2.3. گسسته سازی بدون نظارت اطلاعات اولیه خانوارها

۳.۳. مدل شناسایی خانوارهای فقیر جنگل تصادفی

۳.۳.۱. الگوریتم جنگل تصادفی

3.3.2. ساختار مدل

3.4. استفاده از مدل لجستیک در شناسایی فقر

3.4.1. مقدمه ای بر الگوریتم مدل لجستیک

3.4.3. تخمین مقدار پارامترهای مدل

3.5. استفاده از مدل آبشاری برای شناسایی خانوارهای فقیر

3.5.1. طراحی مدل آبشاری

3.5.2. ساختار مدل آبشاری

4. نتایج و مباحثات

4.1. آزمون گزینش چند گزینه ای مجموعه مدل ارزیابی

4.2. آزمایش مدل با داده های واقعی

5. نتیجه گیری

در دسترس بودن داده ها

تعارض منافع

تقدیم تشکر

منابع

1. Introduction

2. Literature Review

3. Research Methods

3.1. Big Data Analysis Technology

3.2. Pretreatment of Multidimensional Poverty Characteristics of Farmers

3.2.1. Overview of Maslow’s Hierarchy of Needs 1eory.

3.2.2. Selection of Poverty Characteristics Based on Maslow’s Demand Level.

3.2.3. Unsupervised Discretization of Basic Household Information. F

3.3. Identification Model of Random Forest Poor Households

3.3.1. Random Forest Algorithm

3.3.2. Model Construction

3.4. Logistics Poverty Identification Model

3.4.1. Introduction to the Logistic Algorithm

3.4.2. Binomial Logistic Regression Model

3.4.3. Estimation of Model Parameters

3.5. Waterfall Model for Poor Households

3.5.2. Construction of the Waterfall Model

4. Results and Discussion

4.1. Multiple Selection Test Set Evaluation Model

4.2. Testing the Model with Real Data

5. Conclusion

Data Availability

Conflicts of Interest

References

این محصول شامل پاورپوینت ترجمه نیز می باشد که پس از خرید قابل دانلود می باشد. پاورپوینت این مقاله حاوی 18 اسلاید و 5 فصل است. در صورت نیاز به ارائه مقاله در کنفرانس یا سمینار می توان از این فایل پاورپوینت استفاده کرد. 

در این محصول، به همراه ترجمه کامل متن، یک فایل ورد ترجمه خلاصه نیز ارائه شده است. متن فارسی این مقاله در 6 صفحه (1400 کلمه) خلاصه شده و در داخل بسته قرار گرفته است.

علاوه بر ترجمه مقاله، یک فایل ورد نیز به این محصول اضافه شده است که در آن متن به صورت یک پاراگراف انگلیسی و یک پاراگراف فارسی درج شده است که باعث می شود به راحتی قادر به تشخیص ترجمه هر بخش از مقاله و مطالعه آن باشید. این فایل برای یادگیری و مطالعه همزمان متن انگلیسی و فارسی بسیار مفید می باشد.

بخش مهم دیگری از این محصول لغت نامه یا اصطلاحات تخصصی می باشد که در آن تعداد 55 عبارت و اصطلاح تخصصی استفاده شده در این مقاله در یک فایل اکسل جمع آوری شده است. در این فایل اصطلاحات انگلیسی (تک کلمه ای یا چند کلمه ای) در یک ستون و ترجمه آنها در ستون دیگر درج شده است که در صورت نیاز می توان به راحتی از این عبارات استفاده کرد.