Transformations  in
Business & Economics

SOCIOEKONOMINĖ OPIOIDŲ KRIZĖ REMIANTIS SPRENDIMŲ MEDŽIO MOKYMO MODELIU: KELIŲ JAV VALSTYBIŲ PAVYZDŽIAI
Jinming Zhou, Weihua Su, Valdemaras Makutėnas

SANTRAUKA.  Laikui bėgant opioidų identifikavimo skaičiaus augimo tendencija buvo ryškiausia šiauriausiame Kentukio valstijos regione, taip pat pietvakariniame ir rytiniame Ohajo valstijos regionuose. Kartu su tam tikromis koordinatėmis ir konkrečiu opioidų identifikavimo skaičiumi heroino incidentų skaičius Filadelfijos apygardoje 2010-2017 m. nuolat viršijo 3500, o 2016 m. Filadelfijoje heroino incidentų skaičius pirmą kartą viršijo 5000 ir turėjo įtakos šalimais esančių apygardų, tokių kaip Alengheny ir Hamiltono, tendencijoms. Abiejų apygardų duomenys, susiję su heroino incidentais, nustatyti 8 laikotarpiu.
Išnagrinėjus ryšį tarp opioidų vartojimo ir kitų socioekonominių duomenų, nustatyta, kad svarbiausias veiksnys yra senėjanti JAV gyventojų populiacija (seneliai, atsakingi už anūkus). Šį rezultatą gali lemti tai, kad vyresnio amžiaus gyventojai dažniau kenčia nuo lėtinio skausmo sutrikimų, todėl opioidų poreikis skausmui malšinti yra daug didesnis. Be to, pagyvenę žmonės yra mažiau atsparūs opioidų psichologinei priklausomybei ir yra linkę į stiprų potraukį narkotikams. Taigi, socialinė senėjimo problema turi tam tikrą poveikį opioidų krizei.
GBDT modelis apdoroja ganėtinai daug duomenų. Jame yra daug nelinijinių transformacijų, puikių išraiškos galimybių. Šiam modeliui nereikia atlikti sudėtingų funkcijų inžinerijos ir funkcijų transformacijos, siekiant išvengti permontavimo. Naudojant tvirtą nuostolių funkciją, tai gali būti tvirtos išimtys ir už erdvės ribų; modelis leidžia gan tiksliai prognozuoti ir todėl yra svarbus. Kita vertus, SVM modelis gali išvengti didelės dimensijos erdvės sudėtingumo, tiesiogiai naudoti šios erdvės vidinę produkto funkciją ir išspręsti atitinkamos didelės dimensijos erdvės regresijos problemą linijinio atskyrimo aspektu. Jo apibendrinimo ir reklamos galimybės geresnės nei neuroninio tinklo modelyje, kuris grindžiamas mažos apimties statistine teorija. Tačiau GBDT iteracijos medis yra užsakomas pagal laiką. Lygiagretinimą sunku valdyti, o poveikis nėra geras. GBDT modelis nėra kintamo dydžio, kadangi didinimas atliekamas nuosekliai. SVM modelis nustato branduolio funkciją sprendžiant klasifikacijos problemą. Tuo tikslu programuojama kvadratinio sprendimo funkcija, kuriai reikia daug vietos saugykloje .

REIKŠMINIAI ŽODŽIAI: Gradiento didinimo sprendimų medis (GBDT), atraminių vektorių klasifikatorius (SVM), opioidai, GIS, prognozė.