|本期目录/Table of Contents|

[1]李春雷,王文生,郭雷风,等.基于集成学习算法的返贫人口识别模型——以H省F县贫困户建档立卡数据为例[J].江苏农业科学,2021,49(17):231-237.
　Li Chunlei,et al.Identification model of poverty-returning population based on ensemble learning algorithm—Taking file and card data of poor households in F County of H Province as an example[J].Jiangsu Agricultural Sciences,2021,49(17):231-237.
点击复制

基于集成学习算法的返贫人口识别模型——以H省F县贫困户建档立卡数据为例(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第49卷
期数:
2021年第17期
页码:
231-237
栏目:
农业经济与管理
出版日期:
2021-09-05

文章信息/Info

Title:
Identification model of poverty-returning population based on ensemble learning algorithm—Taking file and card data of poor households in F County of H Province as an example
作者:
李春雷1; 王文生1; 2; 郭雷风1; 陈桂鹏3
1.中国农业科学院农业信息研究所，北京 100081； 2.国家农业农村部信息中心，北京 100020；3.江西省农业科学院农业经济与信息研究所，江西南昌 330200
Author(s):
Li Chunlei;  et al
关键词:
建档立卡; 集成学习; 返贫识别; 动态监测
Keywords:
-
分类号:
F323.8；TP181
DOI:
-
文献标志码:
A
摘要:
2020年底精准扶贫工作胜利完成，但绝对贫困和区域性整体贫困的消除并不意味着贫困的消失和扶贫工作的结束。党中央多次强调要健全防止返贫动态监测和帮扶机制，对易返贫致贫人口实施常态化监测。当前对返贫动态监测的研究多为宏观政策性内容，对贫困人口进行返贫识别的微观操作性研究较少。针对上述问题，利用贫困户建档立卡数据进行数据处理选取14维特征，构建基于集成学习算法的返贫人口识别模型进行贫困人口分类。结果表明，经调优的XGBoost算法模型取得最优结果，对已脱贫、未脱贫及返贫3类人员分别达97.43%、92.44%、9704%的识别准确率，总体达到96.81%的准确率，能够较好识别出贫困人口贫困类别。为帮扶工作人员的防返贫动态监测和帮扶工作提供技术支持。
Abstract:
-

参考文献/References:

［1］李洪，蒋龙志，何思妤. 农村相对贫困识别体系与监测预警机制研究——来自四川省X县的数据［J］. 农村经济，2020，457(11)：69-78.
［2］范和生. 返贫预警机制构建探究［J］. 中国特色社会主义研究，2018，139(1)：57-63.
［3］罗丽. 基于随机森林算法的贫困精准识别模型研究［J］. 华中农业大学学报(社会科学版)，2019，144(6)：21-29，160.
［4］杨瑚. 返贫预警机制研究［D］. 兰州：兰州大学，2019.
［5］Ermon S. Combining satellite imagery and machine learning to predict poverty［J］. Science，2016(6301)：790-794.
［6］梁骁，张明，覃琳. 一种基于机器学习识别贫困人口的数据分析方法研究［J］. 企业科技与发展，2017，427(5)：39-41.
［7］魏嫣娇，易叶青. 基于多源机器学习的脱贫方式智能推荐研究［J］. 信息与电脑(理论版)，2019，420(2)：37-39，44.
［8］张浩. 提升农村地区精准扶贫效率的多维贫困识别方法［J］. 农村经济与科技，2020，31(6)：199-200.
［9］余昕，汪早容. “后扶贫时代”返贫问题及对策［J］. 中国经贸导刊(中)，2021，992(1)：109-111.
［10］Chen T，Guestrin C. Xgboost：A scalable tree boosting system［C］//Proceedings of the 22nd Acm Sigkdd International Conference on Knowledge Discovery and Data Mining(Association for Computing Machinery)，2016：785-794.
［11］Ke G，Meng Q，Finley T，et al. Lightgbm：A highly efficient gradient boosting decision tree［J］. Advances in Neural Information Processing Systems，2017，30：3146-3154.
［12］Dorogush A V，Ershov V，Gulin A. Catboost：Gradient boosting with categorical features support［J］. Arxiv E-prints，2018.
［13］岳鹏，侯凌燕，杨大利，等. 基于XGBoost特征选择的疾病诊断XLC-Stacking方法［J］. 计算机工程与应用，2020，56(17)：136-141.
［14］陈维刚，张会林. 基于RF-LightGBM算法在风机叶片开裂故障预测中的应用［J］. 电子测量技术，2020，43(1)：162-168.

相似文献/References:

[1]孙长兰,林海峰.一种基于集成学习的苹果叶片病害检测方法[J].江苏农业科学,2022,50(20):41.
　Sun Changlan,et al.An apple tree leaf disease detection method based on ensemble learning[J].Jiangsu Agricultural Sciences,2022,50(17):41.
[2]章广传,李彤,何云,等.基于迁移模型集成的马铃薯叶片病害识别方法[J].江苏农业科学,2023,51(15):216.
　Zhang Guangchuan,et al.A method for identifying potato leaf diseases based on migration model integration[J].Jiangsu Agricultural Sciences,2023,51(17):216.
[3]张留亚,袁德宝,范雨晴.基于集成学习的大豆叶绿素含量估算[J].江苏农业科学,2025,53(5):281.
　Zhang Liuya,et al.Estimation of soybean chlorophyll content based on ensemble learning[J].Jiangsu Agricultural Sciences,2025,53(17):281.

备注/Memo

备注/Memo:
收稿日期：2021-02-02
基金项目：江西现代农业科研协同创新专项(编号：JXXTCX201801-03)。
作者简介：李春雷(1994—)，男，河北邢台人，硕士研究生，主要从事信息技术农业应用相关研究。E-mail：lcl050024@126.com。
通信作者：王文生，博士，研究员，博士生导师，主要从事农业信息化相关研究。E-mail：13911359883@163.com。
更新日期/Last Update: 2021-09-05