1
Introdução
A dengue é uma
infecção viral que se espalha rapidamente e é endêmica em mais de 100 países
tropicais e subtropicais da África, América e regiões da Ásia-Pacífico. É
causada por qualquer um dos quatro sorotipos do vírus da dengue, e a infecção
de um sorotipo do vírus da dengue não fornece imunidade cruzada contra os
outros três sorotipos. Os vírus da dengue são transmitidos por mosquitos Aedes
através da alimentação de sangue em hospedeiros humanos.
Os pacientes
de dengue sofrem repentinamente febre, erupções cutâneas, dores musculares, dor
nas articulações e leucopenia, geralmente se recuperando em 14 dias. No
entanto, alguns pacientes desenvolvem dengue grave, que é uma complicação
potencialmente letal caracterizada por manifestações hemorrágicas, vazamento
plasmático grave e comprometimento grave dos órgãos [1][2].
Geralmente, a
epidemiologia da dengue é influenciada por uma complexa interação de fatores
que incluem rápida urbanização e aumento da densidade populacional, capacidade
dos sistemas de saúde, eficácia dos sistemas de controle de vetores, limpeza
urbana etc.
Até que surja
a vacina ou medicamento para dengue esteja, as operações de controle de vetores
que eliminam mosquitos adultos e/ou suas larvas através da redução da fonte de
reprodução continuam sendo o único método eficaz para conter a transmissão de
dengue.
1.1
Descrição
do Problema
O Brasil é
situado em uma área predominantemente tropical, com extensas florestas na
Região Amazônica, além de florestas no Leste, sudeste e litoral sul. Como
também, uma grande região de pântano (Pantanal) no centro-oeste, uma região de
savana (Cerrado), na área do planalto central, e uma região seca (Caatinga) no
interior nordestino. A maior parte do País tem um clima tropical, sendo um
local adequado para existência do vetor da dengue e sua proliferação [3].
A capital
pernambucana Recife, possui a quarta maior cidade urbana do Brasil em
população, com relação a sua geologia e relevo da cidade, está situada sobre
uma planície aluvial (fluviomarinha), constituída por ilhas, penínsulas,
alagados e manguezais envolvidos por cinco rios.
Diante desse
contexto, Recife apresenta um ambiente propício para o aumento expressivo dos
casos de dengue como são apresentados pelo Boletim Epidemiológico da Secretaria
de Vigilância em Saúde do Ministério da Saúde [4][5]. Dado a combinação da localização e os aspectos do
clima tropical, torna a dinâmica de transmissão em Recife um fator alarmante.
Sendo assim, o
trabalho pretende responder a seguinte questão de pesquisa: como um modelo de
preditivo pode auxiliar na identificação do comportamento de casos de dengue na
cidade do Recife-PE.
1.2
Objetivo
Este estudo
tem como objetivo desenvolver um modelo de previsão da dengue para aprimorar a
vigilância e o controle da doença no estado de Pernambuco, especificamente na
cidade de Recife.
O modelo de
previsão de dengue se baseia na correlação de séries temporais levando em
consideração (número de casos confirmados, mês e ano). Visando compreender o
período temporal com maior probabilidade de elevados casos de dengue,
possibilitando assim uma possível ferramenta de apoio aos órgãos públicos
responsáveis tomarem as medidas preventivas necessárias.
1.3
Justificativa
Apesar de ser
uma doença já conhecida, a dengue ainda é muito presente em nossas vidas, e se
agravou ainda mais dado aos seus transmissores, mosquitos (Aedes aegypti e
outros), adaptam-se facilmente a climas tropicais, apesar das técnicas para
prevenção de surtos dessas doenças já serem conhecidas pela população e pelos
departamentos de controle, e seu tratamento disponível no SUS, esta doença
ainda pode levar pessoas a óbito. Segundo o Ministério da Saúde et al,
no boletim epidemiológico de 2019 foram registrados 1.439.471 casos no Brasil,
destes casos, 591 vieram a óbito [6]. Dados a esses fatos, foi observado em entrevistas com o stakeholder
que não foi encontrado um mecanismo computacional preditivo para casos de
dengue na Prefeitura do Recife, para tanto, a implementação deste modelo
proporciona vantagens aos órgãos administrativos públicos, para elaboração de
medidas para minimização dos impactos da proliferação do mosquito.
1.4
Escopo
Negativo
Este trabalho
não tem o objetivo de implementar painéis com apresentação de métricas e
indicadores de maneira automática que são conhecidos como: dashboard. Como
também, o trabalho não pretende apresentar ou identificar os casos de dengue
através dos sintomas relacionados. Não foram coletadas informações de bases de
coleta de lixo da cidade, pavimentação, terrenos baldios a fim de projetar
possíveis casos de dengue ou surtos.
2
Fundamentação
Teórica
2.1
Dengue
De acordo com
a World Health
Organization, a
dengue é uma doença viral transmitida por mosquitos mais amplamente distribuída
e de rápida disseminação no mundo, sua incidência aumentou 30 vezes nos últimos
50 anos, estima-se que entre 50 e 100 milhões de infecções ocorram anualmente
em mais de 100 países endêmicos, colocando quase metade da população mundial em
risco [1].
Os mosquitos
vetores da doença agem principalmente nas regiões tropicais e subtropicais.
Estes também estão bem adaptados aos ambientes urbanos, o que permite que os
vírus se espalhem facilmente pelas cidades. Além disso, as condições climáticas
locais desempenham um papel crítico no desenvolvimento de populações de vetores
nos principais centros urbanos [7].
A dengue é
causada por um vírus da família Flaviviridae e existem quatro sorotipos
distintos, mas intimamente relacionados, do vírus causador da dengue (DENV-1,
DENV-2, DENV-3 e DENV-4).
Os primeiros
casos de dengue no Brasil datam do final do século XIX e, apesar da eliminação
do Aedes aegypti em 1955, o mosquito foi reintroduzido no país na década de 70.
Um surto ocorreu em 1981 em Boa Vista, no estado de Roraima, após vários surtos
na América Central envolvendo os sorotipos DENV-1 e DENV-4 [8][9].
2.2 Mineração de Dados
Com o intuito
de auxiliar na tomada de decisão, a mineração de dados é o conjunto de esforços
realizados para descobrir padrões em bases de dados [10]. A
extração das informações é dividida em Preditivas e Descritivas. As técnicas
Preditivas são aquelas que utilizam os dados para predizer valores futuros, é
onde são aplicadas classificações, regressões. Já as técnicas descritivas têm
como objetivo encontrar formas que descrevam os dados, é onde são aplicadas
técnicas de agrupamento, sumarização, modelagem de dependências e detecção de
desvios [11].
2.2.1
Regressão
Linear Simples
É uma técnica
de análise de dados entre duas variáveis, que analisa a amplitude de variação
de dados de uma variável em decorrência de outra [10]. A equação é representada abaixo: y=a+bx
onde y é a variável que se deseja prever, também chamada de dependente, x é
a variável independente. A variável a é o intercepto do eixo y e, por fim, a
variável b é a inclinação da reta gerada.
2.2.2
Support
Vector Machine
A support
vector machine (SVM) é um classificador baseado na teoria de aprendizado
estatístico de Vapnik [12]. Para
efetuar classificações o SVM constrói hiperplanos em um espaço multidimensional
objetivando separar casos de diferentes classes. Cada hiperplano é considerado
como uma separação ótima que separa os vetores das classes sem erro e com
distância máxima para com os vetores mais próximos [13].
2.2.3
Multi-Layer
Perceptron
O multi-Layer
Perceptron (MLP) são um dos modelos de machine learning mais comuns,
basicamente é um modelo de perceptron com uma ou mais camadas ocultas,
cada camada possuindo uma determinada quantidade de neurônios, que são
conectados pelos pesos [14].
2.2.4
Random
Forest
É uma técnica
muito popular entre as técnicas de mineração, pois é uma técnica que pode ser
utilizado tanto para predição como para classificação e são fáceis para o
treinamento. Basicamente é uma técnica que unifica várias árvores de decisão
referente aos dados de entrada da base de dados. Para cada variável de entrada
da base, uma árvore de decisão sobre os seus dados é criada, que pode ser por
um intervalo dos valores ou o valor específico. Desta forma, é desenvolvido um
“caminho” por onde o dado irá caminhar até chegar na variável de saída.
2.3 Métricas
Existem várias métricas
que podem ser utilizadas para avaliar o desempenho de algoritmos de
aprendizagem de máquina, classificação, bem como algoritmos de regressão.
Abaixo são apresentados algumas destas métricas.
RMSE: é
a métrica mais amplamente usada para tarefas de regressão e é a raiz quadrada
da diferença quadrática média entre o valor de destino e o valor previsto pelo
modelo. É mais preferido em alguns casos porque os erros são primeiro ao
quadrado antes da média, o que representa uma grande penalidade para erros
grandes. Isso implica que o RMSE é útil quando erros grandes são indesejados.
EMPA:
Média Absoluta Percentual: A Acurácia do erro em porcentagem. Este erro é
calculado como a média do erro percentual. Quanto menor o valor de EMPA, melhor
para o modelo.
R2:
Coeficiente de determinação ou R² é outra métrica usada para avaliar o
desempenho de um modelo de regressão. A métrica nos ajuda a comparar nosso
modelo atual com uma linha de base constante e nos diz o quanto nosso modelo é
melhor. A linha de base constante é escolhida tomando a média dos dados e
desenhando uma linha na média. R² é uma pontuação sem escala que implica que
não importa se os valores são muito grandes ou muito pequenos, o R² será sempre
menor ou igual a 1.
2.4 Trabalhos Relacionados
As condições
climáticas desempenham um papel crítico no desenvolvimento de populações de
vetores nos principais centros urbanos. Diversos trabalhos na literatura
abordam a relação entre o clima e o surgimento do mosquito Aedes aegypti.
Em [15] os autores apresentaram um método
para a previsão da distribuição espacial de novos casos de dengue nos estados
de alagoas e Paraíba (nordeste do Brasil). Em Martinez et al. os autores avaliaram o desempenho do modelo sazonal ARIMA
(SARIMA) na descrição e previsão do número mensal de casos notificados de
dengue em Ribeirão Preto (São Paulo) [16].
A capacidade
de identificar locais urbanos com alto risco de infecção por doenças é um
aspecto central das políticas públicas que visam o controle dessas doenças. De
acordo com Andersson et
al, foi investigado o
uso de imagens no nível da rua, como as do Google Street View,
juntamente com as Redes Neurais Convolucionais para prever as taxas de dengue e
dengue hemorrágica em locais urbanos [17].
Em Appice et al. podemos observar que foi formulado uma
estratégia holística de aprendizado de máquina para analisar a dinâmica
temporal dos dados de temperatura e dengue e foi utilizado esse conhecimento
para produzir previsões precisas da dengue, com base na temperatura em uma
escala anual [18].
Já em Halim et al. e Azevedo et al, foram utilizados modelos de regressão para prever surtos de
dengue [19][20].
Por fim,
observamos que também foram utilizados modelos de redes neurais para previsão
de casos de dengue. De acordo com Chovatiya et al, foram usadas as redes neurais recorrentes para previsão de
casos de dengue [21].
Os dados utilizados para a previsão incluirão as condições climáticas, a
poluição e as estatísticas dos pacientes diagnosticados com dengue nos anos
anteriores. O modelo aprenderá usando esses dados e preverá a possibilidade de
um surto se condições climáticas semelhantes ocorrerem no futuro.
3
Materiais
e Métodos
3.1
Descrição
da Base de Dados
Na condução
desse trabalho foi utilizada a base de dados de casos de dengue. Com o intuito
de atender o objetivo da pesquisa, foi necessário realizar alguns agrupamentos
e filtros na base de dados. Segue abaixo o detalhamento da base de dados e os
procedimentos aplicados.
Os dados
referentes à dengue foram retirados dos conjuntos de dados disponíveis ao
público do Sistema de Dados Abertos da Prefeitura do Recife [22]. Esta base de dados é populada
com as notificações de dengue da cidade do Recife e contém dados não sensíveis
dos pacientes, como raça, idade e sexo do mesmo, além de dados clínicos com
possíveis sintomas sobre a doença, como febre, vômito e náuseas. Esse estudo
contempla as bases no período de 2013 a 2018, devido a disponibilidade dos
dados de Dengue da cidade do Recife.
3.2
Pré-processamento
dos Dados
Foram selecionadas as
colunas da data da notificação e tipo de classificação final na base de dengue,
pois o objetivo é selecionar apenas a quantidade de casos confirmados da
doença. Em seguida, a base de dengue foi agrupada por mês, totalizando a
quantidade de casos de dengue que ocorreram em cada mês do ano de 2013 até
2018. Resultando em uma base com 67 registros e 3 atributos, dos quais
são os anos, os meses e os números de casos de dengue. Segue abaixo o dicionário
da base final (Tabela 1).
Quadro
1: Dicionário da
base de dados.
|
Código
|
Descrição
|
Tipo
|
Observação
|
|
ano
|
Ano referente aos dados
|
Numérico
|
Ex.: 2018
|
|
mês
|
Mês referente aos dados
|
Numérico
|
Janeiro equivalente a 1 e assim sucessivamente.
|
|
num_casos
|
Número de casos de dengue
|
Numérico
|
Ex.: 50
|
3.3
Análise
Descritiva dos Dados
A análise
descritiva representa a área de investigação nos dados que busca tanto
descrever fatos relevantes, não-triviais e desconhecidos dos usuários, como
analisar a base de dados, principalmente pelo seu aspecto de qualidade, para
validar todo o processo da mineração e seus resultados, ou seja, o conhecimento
encontrado.
A Figura 1
está representando o boxplot sobre a variável de casos de dengue sobre
os anos, devido aos anos de 2015 e 2016 possuírem valores atípicos, resolvemos
gerar uma segunda figura (Figura 2), apenas com anos de 2013, 2014, 2017 e
2018, para uma melhor visualização. Analisando a figura, podemos observar que,
removendo os anos dos surtos de dengue (2015 e 2016), o ano que possui mais
casos é o ano de 2013, seguido do ano de 2018, e mesmo como sendo os anos com
maiores dados, esses anos também possuem valores atípicos (outliers),
especificamente, um em cada um.
Figura
1: Boxplot casos por ano.
Figura 2: Boxplot casos por ano (sem
surto).
Através da
figura mensal de casos de Dengue (Figura 3) podemos observar os valores
atípicos referente ao surto de casos em 2015 e 2016.
Figura
3: Casos de dengue por mês.
3.4
CRISP-DM
O CRISP-DM
(Cross-industry standard process for data mining) é uma metodologia que
fornece uma abordagem estruturada para processos de mineração de dados, sendo
amplamente utilizada devido à sua poderosa praticidade, flexibilidade e
utilidade ao usar a análise para resolver problemas comerciais complexos.
Esse processo,
consiste em seis etapas estas são: entendimento do negócio, entendimento dos
dados, preparação dos dados, modelagem, avaliação e implantação e pode ser
considerado uma implementação do KDD [20]. A seguir será descrito cada uma das etapas desta metodologia.
1.
Entendimento do negócio:
Avaliar e
comparar meios de realizar previsão de números de casos de arboviroses (dengue)
na cidade do Recife.
2.
Entendimento dos dados:
Bases de dados
de notificações de arboviroses obtidas através do portal de transparência de
Recife, do ano 2013 até 2018. Dentre as informações cedidas nas bases,
encontrava-se a data da notificação, sintomas, confirmação ou diagnóstico se o
paciente está com alguma arbovirose.
3.
Preparação dos dados:
Nesta etapa selecionamos
as colunas da data da notificação e tipo de classificação final na base de
dengue, pois o objetivo é selecionar apenas a quantidade de casos confirmados
da doença. Em seguida, as bases de dengue foram unificadas e então agrupadas
por semana, totalizando a quantidade de casos de dengue que ocorreram em cada
semana do ano de 2013 até 2018.
4.
Modelagem:
Nesta etapa
aplicamos as seguintes técnicas de modelagem: random forest, regressão linear,
SVM e a rede neural com função de ativação tangente hiperbólica.
5.
Avaliação:
Dentre as
técnicas de modelagem utilizadas foi utilizado as métricas de RMSE (raiz
quadrada do erro-médio), R2 (coeficiente de
determinação), e EMPA (média percentual absoluta do
erro).
6.
Implantação:
Este trabalho tem como objetivo realizar uma entrega intelectual
de uma análise de algoritmos para realizar a previsão de casos de dengue na
cidade de Recife. Abrindo um novo campo de abordagem para uma ferramenta de
apoio de decisão, visão diminuir os números de casos de dengue na cidade
3.5
Metodologia
Experimental
Para a previsão de um determinado mês foi utilizado os três meses
anteriores a ele, e os meses correlatos dos anos anteriores. Indiferente do
algoritmo a ser utilizado, seguiu esse procedimento como demonstrado no
diagrama abaixo (Figura 4).
Figura 4: Procedimento para previsão.
O ambiente experimental utilizado foi um processador intel core
i5 8º geração e placa de vídeo GeForce MX110 e 8GB de memória RAM no sistema
Windows 10. Através do software Orange¹ foi aplicado os algoritmos SVM,
Regressão Linear, Random Forest e MLP.
O algoritmo da MLP foi aplicado com 50 neurônios na camada escondida,
utilizando a função de ativação tangente hiperbólica e o otimizador L-BFGS-B
com no máximo 500 números de iterações. O Random Forest foi aplicado com 200
árvores e reaplicável para treino. Os algoritmos SVM e Regressão Linear foram
utilizadas as configurações padrão do Orange. Logo após foi utilizado
métricas para conseguir assim comparar a eficiência das previsões realizadas
pelos diferentes algoritmos.
4
Análise
de Discussão dos Resultados
4.1
Resultados
Após os
experimentos realizados com o conjunto de dados sem o surto, ou seja, como
dados mensais de 2013, 2014 e 2017. Esses dados alimentaram o modelo para a
validação da previsão de casos de dengue do ano de 2018. A Figura 5 mostra a
predição dos algoritmos representados pelas linhas e os números de casos reais
representado pelas barras.
Nota-se uma
aproximação do estimado pelos algoritmos para o real, em específico, a
regressão linear que mostrou uma melhor adequação do modelo, embora, o SVM
também apresenta bons resultados, observa-se maior distanciamento entre valores
previsto e real nos meses de maiores casos.
Figura 5: Casos reais e casos previstos pelos
classificadores.
Para uma
melhor comparação segue as métricas na Tabela 1.
Tabela
1: Métricas de análise dos modelos
|
Métrica
|
Redes Neurais
|
Regressão
Linear
|
SVM
|
Random
Forest
|
|
RMSE
|
34,4504
|
28,5598
|
44,7753
|
33,3366
|
|
R2
|
0,6690
|
0,8071
|
0,3601
|
0,6868
|
|
EPMA
|
36,35%
|
28,73%
|
29,11%
|
34,43%
|
As métricas utilizadas para a avaliação dos modelos foram a RMSE,
EPMA e R2. A métrica RMSE calcula o erro ponderando valores maiores para as
diferenças mais discrepantes, logo considera-se que quanto mais próximo de zero
menor o erro, nessa métrica a regressão linear se destaca.
A EPMA é uma métrica que calcula o erro em percentual, o que
podemos inferir que quanto menor a taxa, melhor será o modelo. Nessa situação
podemos destacar a regressão linear e o SVM, embora que, através da métrica
anterior, observa-se que o SVM não prediz com precisão meses com maiores quantidades
de casos.
R2, ou também chamado de coeficiente de determinação, informa o
grau de ajuste do modelo estimou para com os dados reais. Essa métrica varia de
0 a 1, onde 1 representa ótimo ajuste e 0 o pior ajuste. Destacamos novamente o
modelo com regressão linear que apresentou coeficiente de 0,8071.
4.2
Discussão
O trabalho
aborda uma análise por meio de experimentos de modelos computacionais para
realizar a predição de casos de dengue na cidade do Recife, onde para meio de
estudo foram abordados quatro algoritmos, sendo eles: redes neurais, regressão
linear, SVM, e random forest.
Para realizar
a comparação dos algoritmos de predição, selecionamos três métricas que mostram
o quão o algoritmo errou e o grau de ajuste do mesmo. E com isso apresentamos
os resultados dos experimentos.
Podemos notar
que na métrica RMSE, temos os destaques nos algoritmos de regressão linear e
SVM, onde apresentam menor e maior valor do estudo. Notamos também a
similaridade no resultado de Redes neurais e Random Forest.
Na métrica R2
é possível visualizar o destaque para o maior valor no algoritmo de regressão
linear com 0,8071. Apresentando assim, uma superioridade dentre os demais
algoritmos.
A métrica EPMA
traz a porcentagem dos algoritmos, e notamos mais uma vez o destaque para a
regressão linear, mesmo tendo uma diferença de menos de 0,5% para o SVM.
Dentre os
resultados obtidos damos o destaque para os resultados do algoritmo de
regressão linear, o qual se manteve em destaque em todas as métricas. Mostrando
assim ser uma possível ferramenta para predizer casos de dengue na cidade de
Recife.
5.
Conclusões
e Trabalhos Futuros
O controle epidêmico de arboviroses, como a dengue, é um dos
desafios da saúde pública no Brasil. Mesmo sendo uma doença que possui um
tratamento, ela ainda aparece com recorrência ano a ano no país.
Apresentamos
no trabalho meios de prever o número de casos de um determinado mês utilizado
os três meses anteriores a ele, e os meses correlatos dos anos anteriores.
Realizamos também um comparativo da eficácia dos algoritmos por meio das
métricas RMSE, R2 e EPMA.
Por meios dos
resultados das métricas identificamos e destacamos o algoritmo de regressão
linear. Notamos também, que os algoritmos em geral não apresentam resultados
satisfatórios em acertar o número exatos de casos reais, mas como visto na
seção 4.1, as previsões conseguem apresentar uma curva semelhante com os casos
reais de dengue.
Com os dados
do trabalho, podemos fortalecer que por mais que esses modelos não acertem o
número de casos, ele é capaz de alertar para o surgimento de picos de casos de
dengue. Auxiliando assim os órgãos responsáveis a realizar tomadas de decisão.
Como trabalhos futuros pretendemos realizar o estudo
agrupando os casos de dengue por meses, e correlacionar com períodos climáticos
do ano. Avaliar também os surtos dos anos de 2015, 2016, e 2019, para assim
propor um modelo para previsão de possíveis surtos de dengue.
Referências
[1] WORLD HEALTH ORGANIZATION
et al. Dengue: guidelines for diagnosis, treatment, prevention and control.
World Health Organization, 2009.
[2] WORLD HEALTH ORGANIZATION.
Dengue and dengue haemorrhagic fever - Fact sheet 117. WHO, 2012. Disponível em: <http://www.who.int/mediacentre/factsheets/fs117/en/>.
Acesso em: 15 jul. 2020.
[3] LOPES,
Nayara; NOZAWA, Carlos; LINHARES, Rosa Elisa Carvalho. Características gerais e
epidemiologia dos arbovírus emergentes no Brasil. Revista Pan-Amazônica de
Saúde, v. 5, n. 3, p. 10-10, 2014.
[4] Ministério da Saúde. Monitoramento dos casos de arboviroses
urbanas transmitidas pelo Aedes (dengue, chikungunya e Zika), Semanas
Epidemiológicas 1 a 34. Boletim Epidemiológico 22, 2019. Disponível em: <https://portalarquivos2.saude.gov.br/images/pdf/2019/setembro/11/BE-arbovirose-22.pdf>. Acesso em: 15 jul. 2020.
[5] SECRETARIA ESTADUAL DE SAÚDE. Boletim Arboviroses. Secretaria
Executiva de Vigilância em Saúde de Pernambuco, 2019. Disponível em: <https://12ad4c92-89c7-4218-9e11-0ee136fa4b92.filesusr.com/ugd/3293a8_08db449067b6449a9d360539079ac0a6.pdf>. Acesso em: 15 jul. 2020.
[6] MINISTÉRIO DA SAÚDE et al. Monitoramento dos casos de arboviroses
urbanas transmitidas pelo Aedes Aegypti (dengue, chikungunya e zika), Semanas
Epidemiológicas 1 a 13, 2020. Secretaria de vigilância em saúde, 2020. Disponível em:
<https://www.conasems.org.br/wp-content/uploads/2020/04/Boletim-epidemiologico-SVS-14.pdf>. Acesso em: 11 jul. 2020.
[7] STOLERMAN, Lucas M.; MAIA, Pedro D.; KUTZ, J. Nathan. Forecasting dengue fever in
Brazil: An assessment of climate conditions. PloS one, v. 14, n. 8, p.
e0220106, 2019.
[8] FIGUEREDO, L. T. M. Dengue
in Brazil: Past. Present and Future Perspectives. dengue Bulletin, v. 27, p.
25-33, 2003.
[9] FARES, Rafaelle CG et al.
Epidemiological scenario of dengue in Brazil. BioMed research international, v. 2015, 2015.
[10] DA SILVA, Leandro Augusto;
PERES, Sarajane Marques; BOSCARIOLI, Clodis. Introdução à mineração de dados:
com aplicações em R. Elsevier Brasil, 2017.
[11] FAYYAD, Usama M. et al. (Ed.). Advances in knowledge discovery and data
mining.
[12] VAPNIK, Vladimir. The
nature of statistical learning theory. Springer science & business media, 2013.
[13] SILVA NETO, Sebastião Rogério da et al. Uma abordagem
computacional para identificação de indício de preconceito em textos baseada em
análise de sentimentos. 2017.
[14] ZANATY, E. A. Support
vector machines (SVMs) versus multilayer perception (MLP) in data
classification. Egyptian
Informatics Journal, v. 13, n. 3, p. 177-183, 2012..
[15] LIMA, Edivania de Araújo;
FIRMINO, Janne Lúcia da Nóbrega; GOMES FILHO, Manoel F. A relação da previsão
da precipitação pluviométrica e casos de dengue nos estados de Alagoas e
Paraíba nordeste do Brasil. Revista brasileira de meteorologia, v. 23, n. 3, p.
264-269, 2008..
[16] MARTINEZ, Edson Zangiacomi; SILVA, Elisângela Aparecida
Soares da. Previsão do número de casos de dengue em Ribeirão Preto, São Paulo,
Brasil, por um modelo SARIMA. Cadernos de Saúde Pública, v. 27, n. 9, p.
1809-1818, 2011.
[17] ANDERSSON, Virginia Ortiz; BIRCK, Marco A. Ferreira;
ARAUJO, Ricardo Matsumura. Towards predicting dengue fever rates using convolutional
neural networks and street-level images. In: 2018 International Joint
Conference on Neural Networks (IJCNN). IEEE, 2018. p. 1-8.
[18] APPICE, Annalisa et al. A
multi-stage machine learning approach to predict dengue incidence: a case study
in Mexico. IEEE Access, v. 8, p. 52713-52725, 2020.
[19] HALIM, Siana et al. Dengue
Fever Outbreak Prediction in Surabaya using A Geographically Weighted
Regression. In: 2019 4th Technology Innovation Management and Engineering
Science International Conference (TIMES-iCON). IEEE, 2019. p. 1-5.
[20] AZEVEDO, Ana Isabel Rojão Lourenço; SANTOS, Manuel Filipe. KDD, SEMMA and CRISP-DM: a
parallel overview. IADS-DM, 2008.
[21] CHOVATIYA, Megha et al.
Prediction of dengue using recurrent neural network. In: 2019 3rd International
Conference on Trends in Electronics and Informatics (ICOEI). IEEE, 2019. p. 926-929.
[22] EMPREL. Casos de Dengue 2018. Dados Recife, 2019.
Disponível em: <http://dados.recife.pe.gov.br/dataset/casos-de-dengue-zika-e-chikungunya/resource/d754bf5a-edbe-4a60-bca9-8c4252d223c8>.
Acesso em: 12 mar. 2020.