Open Daily: 10am - 10pm | Alley door pickup 10am - 7pm 3038 Hennepin Ave Minneapolis, MN
612-822-4611

  • Open Daily: 10am - 10pm
    Alley-side Pickup: 10am - 7pm

    3038 Hennepin Ave Minneapolis, MN
    612-822-4611

Open Daily: 10am - 10pm | Alley-side Pickup: 10am - 7pm
3038 Hennepin Ave Minneapolis, MN
612-822-4611
Fallstudie: Analyse von Flugzeugunfällen mit verschiedenen Klassifikatoren

Fallstudie: Analyse von Flugzeugunfällen mit verschiedenen Klassifikatoren

Christopher, A. B. Arockia
Balakrishnan, M.
Janani, A. P.

Paperback

General Computers

ISBN10: 6208016185
ISBN13: 9786208016180
Publisher: Verlag Unser Wissen
Published: Aug 28 2024
Pages: 76
Weight: 0.27
Height: 0.18 Width: 6.00 Depth: 9.00
Language: German
In realen Datensätzen gibt es viele redundante und widersprüchliche Daten. Die Leistung eines Klassifizierungsalgorithmus beim Data Mining wird durch verrauschte Informationen (d. h. redundante und widersprüchliche Daten) stark beeinträchtigt. Diese Parameter erhöhen nicht nur die Kosten des Mining-Prozesses, sondern verschlechtern auch die Erkennungsleistung der Klassifikatoren. Sie müssen beseitigt werden, um die Effizienz und die Genauigkeit der Klassifikatoren zu erhöhen. Data Mining ist ein Datenanalyseprozess, der für gro e Datenmengen durchgeführt wird. In dieser Arbeit wird eine Methodik zur Bewertung des Risikos und der Sicherheitsaspekte von Flugzeugunfällen vorgeschlagen. Diese Arbeit konzentriert sich auf verschiedene Techniken zur Auswahl von Merkmalen, die auf den Datensatz einer Fluggesellschaftsdatenbank angewendet werden, um den Datensatz zu verstehen und zu bereinigen. Die folgenden Evaluatoren wie CFS, CS, GR, Informationsgewinn, OneR-Attribut, PCA-Transformator, ReliefF-Attribut und SU-Attribut werden in dieser Studie verwendet, um die Anzahl der ursprünglichen Attribute zu reduzieren. Die Klassifizierungsalgorithmen wie Entscheidungsbaum (DT), Naive Bayes (NB), Artificial Neural Network (ANN), K-Nearest Neighbour (KNN) und Support Vector Machines (SVM) werden verwendet, um die Warnstufe der Komponente als Klassenattribut vorherzusagen.

Also from

Christopher, A. B. Arockia

View All

Also in

General Computers

View All