Fallstudie: Analyse von Flugzeugunfällen mit verschiedenen Klassifikatoren

In realen Datens?tzen gibt es viele redundante und widerspr?chliche Daten. Die Leistung eines Klassifizierungsalgorithmus beim Data Mining wird durch verrauschte Informationen (d. h. redundante und widerspr?chliche Daten) stark beeintr?chtigt. Diese Parameter erh?hen nicht nur die Kosten des Mining-Prozesses, sondern verschlechtern auch die Erkennungsleistung der Klassifikatoren. Sie m?ssen beseitigt werden, um die Effizienz und die Genauigkeit der Klassifikatoren zu erh?hen. Data Mining ist ein Datenanalyseprozess, der f?r gro e Datenmengen durchgef?hrt wird. In dieser Arbeit wird eine Methodik zur Bewertung des Risikos und der Sicherheitsaspekte von Flugzeugunf?llen 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 urspr?nglichen 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.

Author: A. B. Arockia Christopher

Publisher: Verlag Unser Wissen

Publication Date: Aug 28, 2024

Number of Pages: 76 pages

Binding: Paperback or Softback

ISBN-10: 6208016185

ISBN-13: 9786208016180