Andere Kunden interessierten sich auch für
![Reflexión: aprendizaje activo para la seguridad del paciente]( "Reflexión: aprendizaje activo para la seguridad del paciente")
Reflexión: aprendizaje activo para la seguridad del paciente27,99 €![La antropología forense al servicio de las autoridades judiciales]( "La antropología forense al servicio de las autoridades judiciales")
La antropología forense al servicio de las autoridades judiciales36,99 €![Aprendizaje Cooperativo para mejorar la interpretación]( "Aprendizaje Cooperativo para mejorar la interpretación")
Aprendizaje Cooperativo para mejorar la interpretación46,99 €![Idoneidad didáctica para aprender las medidas de tendencia central]( "Idoneidad didáctica para aprender las medidas de tendencia central")
Idoneidad didáctica para aprender las medidas de tendencia central46,99 €![Propuesta de programa de capacitación pedagógica continua]( "Propuesta de programa de capacitación pedagógica continua")
Propuesta de programa de capacitación pedagógica continua26,99 €![Método magnetométrico para la investigación de los lugares de emergencia por incendio y radiación]( "Método magnetométrico para la investigación de los lugares de emergencia por incendio y radiación")
Método magnetométrico para la investigación de los lugares de emergencia por incendio y radiación28,99 €![Análisis de las estrategias de enseñanza para contener la propagación de Covid-19]( "Análisis de las estrategias de enseñanza para contener la propagación de Covid-19")
Análisis de las estrategias de enseñanza para contener la propagación de Covid-1926,99 €
Las herramientas de minería de datos son el mejor enfoque para la identificación de delincuentes basándose en las características y la naturaleza del delito. En este libro, hemos propuesto un enfoque supervisado para identificar la lista de sospechosos utilizando medidas de similitud y el algoritmo de agrupación K-Medoids. El algoritmo de agrupación K-Medoids agrupa los delitos más estrechamente relacionados como un grupo individual y cada grupo tendrá un conjunto único de características. El conjunto de características únicas se utiliza para la identificación de los delincuentes mediante algoritmos de medida de similitud basados en la medida de distancia. El sistema propuesto consta de dos fases: la de entrenamiento y la de prueba. En este enfoque, hemos entrenado el sistema propuesto con un conjunto de datos supervisados con información recopilada de varios lugares de Tamil Nadu a través de datos disponibles en línea. En la fase de prueba, primero se identifica el clúster más cercano al delito de prueba mediante el algoritmo de agrupación K-Medoids y, a continuación, se identifica la lista de presuntos delincuentes utilizando la medida de similitud. La fase inicial de implementación y análisis del esquema propuesto proporciona buenos resultados y una alta precisión. El esquema propuesto se compara con el algoritmo de clustering K-Means relacionado con el mismo conjunto de instancias de entrenamiento y prueba.