Estudo de caso: Análise de acidentes com aeronaves utilizando diferentes classificadores - 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

Nos conjuntos de dados do mundo real, existem muitos dados redundantes e contraditórios. O desempenho de um algoritmo de classificação na extração de dados é grandemente afetado por informações ruidosas (ou seja, redundantes e contraditórias). Estes parâmetros não só aumentam o custo do processo de extração, como também degradam o desempenho de deteção dos classificadores. Têm de ser removidos para aumentar a eficiência e a precisão dos classificadores. A extração de dados é um processo de análise de dados que é realizado para grandes volumes de dados. Neste trabalho, propõe-se uma metodologia…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
Nos conjuntos de dados do mundo real, existem muitos dados redundantes e contraditórios. O desempenho de um algoritmo de classificação na extração de dados é grandemente afetado por informações ruidosas (ou seja, redundantes e contraditórias). Estes parâmetros não só aumentam o custo do processo de extração, como também degradam o desempenho de deteção dos classificadores. Têm de ser removidos para aumentar a eficiência e a precisão dos classificadores. A extração de dados é um processo de análise de dados que é realizado para grandes volumes de dados. Neste trabalho, propõe-se uma metodologia para avaliar o risco e as questões de segurança dos acidentes com aeronaves. Este trabalho centra-se em diferentes técnicas de seleção de caraterísticas aplicadas ao conjunto de dados de uma base de dados de uma companhia aérea para compreender e limpar o conjunto de dados. Os seguintes avaliadores são CFS, CS, GR, Ganho de informação, Atributo OneR, Transformador PCA, Atributo ReliefF e Atributo SU utilizados neste estudo para reduzir o número de atributos iniciais. Os algoritmos de classificação como Decision Tree (DT), Naive Bayes (NB), Artificial Neural Network (ANN), K-Nearest Neighbour (KNN) e Support Vetor Machines (SVM) são utilizados para prever o nível de aviso do componente como atributo de 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, Índia. Recebeu o seu doutoramento em extração de dados no âmbito da I&CE da Universidade Anna de Chennai, Índia. É membro do IEEE. Publicou mais de 15 artigos de investigação em revistas e conferências de renome, incluindo IEEE, Springer e Aeronautical. É revisor de revistas de renome.