Seleção de Características para Monitoramento de Variáveis Importantes para Segurança Alimentar no Estado do Ceará

• Ícaro L. Rodrigues Universidade Federal do Ceará (UFC) https://orcid.org/0000-0001-8915-2972
• Luiza C. A. Pacheco Universidade Federal do Ceará (UFC)
• Josué M. Hinrichs Universidade Federal do Ceará (UFC)
• Adilio J. Freitas Universidade Federal do Ceará (UFC)
• José Luciano M. Neto Universidade Federal do Ceará (UFC)
• Antonio Rafael Braga Universidade Federal do Ceará (UFC)
• Danielo G. Gomes Universidade Federal do Ceará (UFC)

DOI: https://doi.org/10.5753/bresci.2024.244299

Resumo

O estado do Ceará apresentou um contexto desfavorável em sua taxa de insegurança alimentar (IA) em 2023, com 35% da população total apresentando algum nível de IA. Este artigo objetiva determinar um subconjunto de variáveis de maior relevância com relação a IA no Ceará para aprimorar políticas públicas de combate à fome no Estado. Para isto, foram utilizados dados do módulo de Segurança Alimentar da Pesquisa Nacional por Amostra de Domicílios Contínua (PNADC) de 2023. Aplicamos 5 técnicas de seleção de características em um conjunto de variáveis pré-processadas e então foram selecionadas as 18 variáveis mais frequentes, nas quais se destacaram as categorias de Educação e Renda/Emprego.

Palavras-chave: Segurança Alimentar, Extração de características, Ciência de Dados, Governo digital

Referências

Bezerra, T. A., Olinda, R. A. d., and Pedraza, D. F. (2017). Insegurança alimentar no brasil segundo diferentes cenários sociodemográficos. Ciência & Saúde Coletiva, 22:637.

Boas, L. G. V. (2023). A escala brasileira de insegurança alimentar (EBIA) e as principais condicionantes da (in) segurança alimentar no brasil. Geoconexões, 1(15):114–134.

Chandrashekar, G. and Sahin, F. (2014). A survey on feature selection methods. Computers & electrical engineering, 40(1):16–28.

Cherol, C. C. d. S., Ferreira, A. A., Lignani, J. d. B., and Salles-Costa, R. (2022). Regional and social inequalities in food insecurity in Brazil, 2013-2018. Cadernos de Saúde Pública, 38(12).

Feng, F., Li, K.-C., Yang, E., Zhou, Q., Han, L., Hussain, A., and Cai, M. (2023). A novel oversampling and feature selection hybrid algorithm for imbalanced data classification. Multimedia Tools and Applications, 82(3):3231–3267.

Gandra, A. (2022). 2º inquérito nacional sobre insegurança alimentar no contexto da pandemia da covid-19 no brasil: Pesquisa aponta que fome atinge 33,1 milhões de pessoas no país. Agência Brasil, Rio de Janeiro, 8:2022–06.

Golgher, A. B. (2024). Food insecurity in brazil by household arrangements and characteristics between 2004 and 2022. Cadernos de Saúde Pública, 40(5).

Gomes, I. (2023). Pobreza cai para 31,6% da população em 2022, após alcançar 36,7% em 2021. [link]. Acesso em: 22 de julho 2024.

Gosain, A. and Sardana, S. (2017). Handling class imbalance problem using oversampling techniques: A review. In 2017 international conference on advances in computing, communications and informatics (ICACCI), pages 79–85. IEEE.

Lemaître, G., Nogueira, F., and Aridas, C. K. (2017). Imbalanced-learn: A python toolbox to tackle the curse of imbalanced datasets in machine learning. Journal of Machine Learning Research, 18(17):1–5.

Menardi, G. and Torelli, N. (2014). Training and assessing classification rules with imbalanced data. Data mining and knowledge discovery, 28:92–122.

PENSSAN and II VIGISAN (2021). Insegurança alimentar e covid-19 no brasil: inquérito nacional sobre insegurança alimentar no contexto da pandemia da covid-19 no brasil. Belo Horizonte: Instituto Vox Populi.

Zhang, C., Soda, P., Bi, J., Fan, G., Almpanidis, G., Garc´ıa, S., and Ding, W. (2023). An empirical study on the joint impact of feature selection and data resampling on imbalance classification. Applied Intelligence, 53(5):5449–5461.