Feature Selection for Multidimensional Poverty Measurement: Taming Indicator Dimensionality
Este artigo demonstra que a seleção de atributos baseada em aprendizado de máquina pode reduzir significativamente o ônus computacional e interpretativo da mensuração da pobreza multidimensional ao identificar um subconjunto pequeno e não redundante de indicadores que mantém uma acurácia de classificação comparável aos conjuntos completos de indicadores, conforme evidenciado por uma análise dos dados do IHDS-II da Índia.