通过机器学习来测量非货币贫困。非货币贫困是通过以下因素确定的:人口统计,人口,收入分布,气候,文化,民族和自然资源的可用性。今天,非货币贫困度量的最重要方面之一是将机器学习用于除财富或收入以外的多个数据点来评估个人或社区的生活质量。也发现了使用机器学习算法在新兴国家造成贫困的社会经济因素。应用了我们的目标中性嗜性模型和机器学习算法。中性粒细胞模型用于审查贫困指标以及ML算法。在探索我们的研究中机器学习的实用性以衡量贫困中,我们会找到以下问题的答案:(1)为什么在计算贫困率的同时考虑非货币方法很重要?(2)在贫困测量中使用了哪种机器学习算法?(3)贫困预测中机器学习应用的未来范围是什么?在找到这些问题的答案时,我们分析了总的10篇论文,这些论文是根据排除和包含标准收集的,以及根据本文内容的选择的目的。在调查期间发现,机器学习提供了复杂的数据,以识别非货币贫困原因,而这项调查首先是使用机器学习将非货币贫困因素使用的。关键字:贫困;非货币与货币方法;机器学习;深度学习;人口统计和
主要关键词