Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Design Principles for Room-Scale Virtual Reality: A Design Experiment in Three Dimensions Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Dengue Prediction Using Hierarchical Clustering Methods

verfasst von : S. Vandhana, J. Anuradha

Erschienen in: Designing for a Digital and Globalized World

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The occurrence of dengue is rapidly increasing in every year. Considering the welfare of the public, it is essential to have detailed study on the affected areas of dengue and its intensity for the control of disease. This paper uses hierarchical clustering technique to classify the data of dengue cases reported and deaths occurred in various states of India. An agglomerative clustering of ward method is used for clustering. The outcomes are represented in Indian map using shape file with RStudio. The data is predicted for 2018, by logarithmic transformation using linear models of regression. K-Nearest Neighbour algorithm is used for predicting the cluster data for 2018. The results have shown that the frequency of dengue happening or the intensity is considerably reduced in many states.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Taxonomy Development for Virtual Reality (VR) Technologies in Healthcare Sector
Nächstes Kapitel Collaborative Literature Search System: An Intelligence Amplification Method for Systematic Literature Search
Literatur
1.
Agrawal, R., Gehrke, J., Gunopulos, D., Raghavan, P.: Automatic subspace clustering of high dimensional data for data mining applications. vol. 27. ACM (1998)CrossRef
2.
Chen, T.S., Tsai, T.H., Chen, Y.T., Lin, C.C., Chen, R.C., Li, S.Y., Chen, H.Y.: A combined k-means and hierarchical clustering method for improving the clustering efficiency of microarray. In: Proceedings of the 2005 International Symposium on Intelligent Signal Processing and Communication Systems, ISPACS 2005, pp. 405–408. IEEE (2005)
3.
Chipman, H., Tibshirani, R.: Hybrid hierarchical clustering with applications to microarray data. Biostatistics 7(2), 286–301 (2005)CrossRef
4.
Ester, M., Kriegel, H.P., Sander, J., Xu, X., et al.: A density-based algorithm for discovering clusters in large spatial databases with noise. In: KDD, vol. 96, pp. 226–231 (1996)
5.
Guha, S., Rastogi, R., Shim, K.: CURE: an efficient clustering algorithm for large databases. In: ACM SIGMOD Record, vol. 27, pp. 73–84. ACM (1998)CrossRef
6.
Hales, S., De Wet, N., Maindonald, J., Woodward, A.: Potential effect of population and climate changes on global distribution of dengue fever: an empirical model. Lancet 360(9336), 830–834 (2002)CrossRef
7.
8.
Hinneburg, A., Keim, D.A., et al.: An efficient approach to clustering in large multimedia databases with noise. In: KDD, vol., 98, pp. 58–65 (1998)
9.
Isa, D., Kallimani, V., Lee, L.H.: Using the self organizing map for clustering of text documents. Expert Syst. Appl. 36(5), 9584–9591 (2009)CrossRef
10.
Kaufman, L., Rousseeuw, P.J.: Finding Groups in Data: An Introduction to Cluster Analysis, vol. 344. Wiley, Hoboken (2009)MATH
11.
Lindsay, S., Birley, M.: Climate change and malaria transmission. Ann. Trop. Med. Parasitol. 90(5), 573–588 (1996)CrossRef
12.
Liu, Z., Sokka, T., Maas, K., Olsen, N.J., Aune, T.M.: Prediction of disease severity in patients with early rheumatoid arthritis by gene expression profiling. Hum. Genomics Proteomics: HGP, 2009 (2009)
13.
Murtagh, F., Legendre, P.: Ward’s hierarchical agglomerative clustering method: which algorithms implement ward’s criterion? J. Classif. 31(3), 274–295 (2014)MathSciNetCrossRef
14.
Ng, R., Han, J.: Efficient and effective clustering method for spatial data mining. In: Proceedings of the 20th International Conference on Very Large Data Bases, Santiago, Chile, pp. 144–155 (1994)
15.
Shekhar, S., Chawla, S.: Spatial Databases: A Tour, vol. 2003. Prentice Hall, Upper Saddle River (2003)
16.
Silver, M., Sakata, T., Su, H.C., Herman, C., Dolins, S.B., O’Shea, M.J., et al.: Case study: how to apply data mining techniques in a healthcare data warehouse. J. Healthc. Inf. Manag. 15(2), 155–164 (2001)
17.
18.
Tonnang, H.E., Kangalawe, R.Y., Yanda, P.Z.: Predicting and mapping malaria under climate change scenarios: the potential redistribution of malaria vectors in Africa. Malaria J. 9(1), 111 (2010)CrossRef
19.
Wang, W., Yang, J., Muntz, R., et al.: STING: a statistical information grid approach to spatial data mining. In: VLDB. vol. 97, pp. 186–195 (1997)
20.
Witthen, I., Frank, E.: Data Mining-Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann Publishers, Burlington (2000)
21.
Zhang, T., Ramakrishnan, R., Livny, M.: BIRCH: an efficient data clustering method for very large databases. In: ACM SIGMOD Record, vol. 25, pp. 103–114. ACM (1996)CrossRef
22.
Mutheneni, S.R., Morse, A.P., Caminade, C., Upadhyayula, S.M.: Dengue burden in India: recent trends and importance of climatic parameters. Emerg. Microbes Infect. 6(8), e70 (2017)CrossRef
Metadaten
Titel
Dengue Prediction Using Hierarchical Clustering Methods
verfasst von
S. Vandhana
J. Anuradha
Copyright-Jahr
2018
Buch
Designing for a Digital and Globalized World

Print ISBN: 978-3-319-91799-3

Electronic ISBN: 978-3-319-91800-6

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-91800-6_11