Name: Caso di Studio: Analisi di Incidenti Aerei con L'utilizzo di Diversi Classificatori (en Italiano)
SKU: 63483552
Price: 66870.00 CLP
Availability: InStock
Author: A B Arockia Christopher; M Balakrishnan; A P Janani
ISBN: 9786208016159

portada Caso di Studio: Analisi di Incidenti Aerei con L'utilizzo di Diversi Classificatori (en Italiano)

Caso di Studio: Analisi di Incidenti Aerei con L'utilizzo di Diversi Classificatori (en Italiano)

Formato

Libro Físico

Editorial

Edizioni Sapienza

Autor

A B Arockia Christopher; M Balakrishnan; A P Janani

Idioma

Italiano

N° páginas

Encuadernación

Tapa Blanda

ISBN13

9786208016159

Caso di Studio: Analisi di Incidenti Aerei con L'utilizzo di Diversi Classificatori (en Italiano)

A B Arockia Christopher; M Balakrishnan; A P Janani (Autor) · Edizioni Sapienza · Tapa Blanda

Libro Nuevo Importado

Envío: 20 a 24 días háb.

$ 121.580$ 66.870

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 66.870

Llega entre el 29 Sep y el 05 Oct a Santiago, Región Metropolitana. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Caso di Studio: Analisi di Incidenti Aerei con L'utilizzo di Diversi Classificatori (en Italiano)"

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.