Nous utilisons des cookies pour améliorer votre expérience. Pour nous conformer à la nouvelle directive sur la vie privée, nous devons demander votre consentement à l’utilisation de ces cookies. En savoir plus.
Modelisation du risque d'exposition au paludisme au BENIN
Univ Europeenne - EAN : 9786138416647
Édition papier
EAN : 9786138416647
Paru le : 1 oct. 2018
54,90 €
52,04 €
Disponible
Pour connaître votre prix et commander, identifiez-vous
Notre engagement qualité
-
Livraison gratuite
en France sans minimum
de commande -
Manquants maintenus
en commande
automatiquement -
Un interlocuteur
unique pour toutes
vos commandes -
Toutes les licences
numériques du marché
au tarif éditeur -
Assistance téléphonique
personalisée sur le
numérique -
Service client
Du Lundi au vendredi
de 9h à 18h
- EAN13 : 9786138416647
- Réf. éditeur : 2409908
- Editeur : Univ Europeenne
- Date Parution : 1 oct. 2018
- Disponibilite : Disponible
- Barème de remise : NS
- Nombre de pages : 124
- Format : H:229 mm L:152 mm E:7 mm
- Poids : 194gr
- Interdit de retour : Retour interdit
- Résumé : L'objectif principal de ce travail est la détermination des facteurs environnementaux pouvant expliquer la variabilité de la densité anophélienne et la prédiction du risque d'exposition au vecteur palustre au niveau village et maison de la zone de Tori-Bossito au Bénin. Il revient alors de sélectionner un sous ensemble optimal de variables pertinentes pour la prédiction du risque d'exposition au vecteur palustre dans le milieu d'étude. Dans un premier temps, il été développé une méthode basée sur un algorithme de type GLMM combiné avec une sélection de variables de type backward. Les résultats ont permis de déterminer un sous ensemble optimal pour la prédiction du risque palustre. Dans un deuxième temps, la méthode développée combine le GLM, le Lasso et une validation croisée à deux niveaux. Les résultats obtenus montrent une nette amélioration au niveau de la sélection, de la sparsité du sous ensemble optimal pour la prédiction, la qualité des prédictions et le temps CPU d'exécution des calculs. Finalement, le meilleur sous ensemble de prédiction comporte entre autre Saison, Quantité moyenne de pluie et la Végétation.
