
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | University of Taubate (UNITAU) | - |
| Autor(es): dc.creator | Rodríguez, Elen | - |
| Autor(es): dc.creator | Rodríguez, Elias | - |
| Autor(es): dc.creator | Nascimento, Luiz | - |
| Autor(es): dc.creator | da Silva, Aneirson | - |
| Autor(es): dc.creator | Marins, Fernando | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T22:16:44Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T22:16:44Z | - |
| Data de envio: dc.date.issued | 2023-07-29 | - |
| Data de envio: dc.date.issued | 2023-07-29 | - |
| Data de envio: dc.date.issued | 2021-12-31 | - |
| Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/246494 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/246494 | - |
| Descrição: dc.description | Neonatal mortality is an important public health problem that reflects the development of a country, as well as the quality of care provided to the newborn. This article presents the development and comparison of classical models and machine learning models for time series forecasting, applied to the forecast of monthly neonatal mortality rates in the metropolitan region of Paraiba River Valley and North Coast – São Paulo State - Brazil. The database used comprised the monthly rates from January 2000 to December 2020. The models compared were Seasonal Autoregressive Integrated Moving Average, random forest, support vector machine (SVM), light gradient boosting machine, categorical boosting (CatBoost), gradient boosting (GB), extreme gradient boosting, and multilayer perceptron. The best parameters and hyperparameters of the models tested were adjusted through an exhaustive computational search. The results showed that the CatBoost, SVM, and GB models presented the lowest values in the error metrics evaluated, and the SVM model presented better precision. The forecasts of the SVM model showed a behavior very close to the actual rates, which was confirmed by the application of the paired t-test. These results corroborate that time series forecasting models can significantly contribute as a decision support tool for public health problems. | - |
| Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
| Descrição: dc.description | São Paulo State University (UNESP), Av. Dr. Ariberto Pereira da Cunha 333, SP | - |
| Descrição: dc.description | University of Taubate (UNITAU), Estrada Municipal Dr. José Luiz Cembranelli 5.000, SP | - |
| Descrição: dc.description | São Paulo State University (UNESP), Av. Dr. Ariberto Pereira da Cunha 333, SP | - |
| Descrição: dc.description | CNPq: 303090/2021-9 | - |
| Descrição: dc.description | CNPq: 304197/2021-1 | - |
| Formato: dc.format | 86-98 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | CEUR Workshop Proceedings | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | data-driven models | - |
| Palavras-chave: dc.subject | forecasting | - |
| Palavras-chave: dc.subject | machine learning | - |
| Palavras-chave: dc.subject | Neonatal mortality | - |
| Palavras-chave: dc.subject | time series analysis | - |
| Título: dc.title | A data-driven approach for neonatal mortality rate forecasting | - |
| Tipo de arquivo: dc.type | aula digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: