Comparação entre algoritmos de Machine Learning na predição de casos de Dengue

- 325747
Trabalho completo (Oral)
Favoritar este trabalho
Como citar esse trabalho?
Resumo

A dengue é uma arbovirose que afeta significativamente a saúde pública, especialmente em regiões tropicais e subtropicais como o Brasil, onde são frequentes os surtos epidêmicos. Antecipar sua disseminação é fundamental para ações preventivas e respostas ágeis dos serviços de saúde. Este estudo avaliou e comparou o desempenho de algoritmos de aprendizado de máquina (Machine Learning) e aprendizado profundo (Deep Learning) na previsão de casos de dengue, utilizando variáveis climáticas e epidemiológicas organizadas de forma temporal. Foram analisados modelos clássicos, como Random Forest, Support Vector Regression (SVR) e Multilayer Perceptron, bem como redes neurais profundas, como Long Short-Term Memory (LSTM) e Convolutional Neural Network (CNN). Os resultados indicaram que o modelo LSTM apresentou o melhor equilíbrio entre acurácia preditiva e tempo de execução, enquanto o SVR destacou-se como alternativa eficiente em cenários com limitações de recursos computacionais.

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 Universidade Federal Rural do Semi-Árido
  • 2 ufersa
Eixo Temático
  • 9. EST&AM – PO Analytics em Estatística e Aprendizado de Máquina
Palavras-chave
Aprendizado de máquina
Dengue
Redes neurais