Caso di studio: Analisi di incidenti aerei con l'utilizzo di diversi classificatori - Christopher, A. B. Arockia;Balakrishnan, M.;Janani, A. P.
36,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 1-2 Wochen
payback
18 °P sammeln
  • Broschiertes Buch

Negli insiemi di dati del mondo reale esistono molti dati ridondanti e contrastanti. Le prestazioni di un algoritmo di classificazione nel data mining sono fortemente influenzate dalle informazioni rumorose (cioè ridondanti e contrastanti). Questi parametri non solo aumentano il costo del processo di estrazione, ma degradano anche le prestazioni di rilevamento dei classificatori. È necessario eliminarli per aumentare l'efficienza e l'accuratezza dei classificatori. Il data mining è un processo di analisi dei dati che viene eseguito su grandi volumi di dati. In questo lavoro viene proposta una…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
Negli insiemi di dati del mondo reale esistono molti dati ridondanti e contrastanti. Le prestazioni di un algoritmo di classificazione nel data mining sono fortemente influenzate dalle informazioni rumorose (cioè ridondanti e contrastanti). Questi parametri non solo aumentano il costo del processo di estrazione, ma degradano anche le prestazioni di rilevamento dei classificatori. È necessario eliminarli per aumentare l'efficienza e l'accuratezza dei classificatori. Il data mining è un processo di analisi dei dati che viene eseguito su grandi volumi di dati. In questo lavoro viene proposta una metodologia per la valutazione del rischio e della sicurezza degli incidenti aerei. Questo lavoro si concentra su diverse tecniche di selezione delle caratteristiche applicate al dataset di un database di compagnie aeree per comprendere e pulire il dataset. In questo studio vengono utilizzati i seguenti valutatori: CFS, CS, GR, Information Gain, OneR Attribute, PCA Transformer, ReliefF Attribute e SU Attribute per ridurre il numero di attributi iniziali. Gli algoritmi di classificazione come Decision Tree (DT), Naive Bayes (NB), Artificial Neural Network (ANN), K-Nearest Neighbour (KNN) e Support Vector Machines (SVM) sono utilizzati per prevedere il livello di allarme del componente come attributo della classe.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Autorenporträt
Dr.A.B.Arockia Christopher, AP(SG), IT, Dr.MCET, Pollachi, Coimbatore, TN, India. Ha conseguito il dottorato di ricerca in Data mining nell'ambito di I&CE presso la Università di Anna Chennai, India, India. È membro dell'IEEE. Ha pubblicato più di 15 articoli di ricerca in riviste e conferenze rinomate, tra cui IEEE, Springer e Aeronautical. È revisore di riviste rinomate.