حرائق الغابات

  • الوصف :

هذه مهمة انحدار ، حيث الهدف هو التنبؤ بالمساحة المحترقة من حرائق الغابات ، في المنطقة الشمالية الشرقية من البرتغال ، باستخدام بيانات الأرصاد الجوية وغيرها.

معلومات مجموعة البيانات:

في [Cortez and Morais، 2007] ، تم تحويل "منطقة" الإخراج لأول مرة بوظيفة ln (x + 1). بعد ذلك ، تم تطبيق العديد من طرق التنقيب عن البيانات. بعد تركيب النماذج ، تمت معالجة المخرجات لاحقًا بعكس تحويل ln (x + 1). تم استخدام أربعة إعدادات إدخال مختلفة. أجريت التجارب باستخدام 10 أضعاف (التحقق من الصحة) × 30 مرة. تم قياس اثنين من مقاييس الانحدار: MAD و RMSE. حصلت آلة متجه الدعم الغاوسي (SVM) التي يتم تغذيتها بأربعة ظروف جوية مباشرة (درجة الحرارة ، والرطوبة النسبية ، والرياح ، والمطر) على أفضل قيمة MAD: 12.71 + - 0.01 (متوسط ​​وفاصل الثقة ضمن 95٪ باستخدام توزيع t-student). تم الحصول على أفضل RMSE بواسطة المتنبئ المتوسط ​​الساذج. يُظهر تحليل منحنى خطأ الانحدار (REC) أن نموذج SVM يتنبأ بمزيد من الأمثلة ضمن خطأ مقبول أقل. في الواقع ، يتنبأ نموذج SVM بحرائق صغيرة أفضل ، وهي الغالبية.

معلومات السمة:

لمزيد من المعلومات ، اقرأ [Cortez and Morais، 2007].

  1. X - الإحداثيات المكانية ذات المحور السيني داخل خريطة منتزه مونتيسينيو: من 1 إلى 9
  2. Y - التنسيق المكاني للمحور الصادي داخل خريطة منتزه مونتيسينيو: من 2 إلى 9
  3. شهر - شهر من السنة: "يناير" إلى "ديسمبر"
  4. يوم - يوم من الأسبوع: "mon" to "sun"
  5. مؤشر FFMC - FFMC من نظام FWI: 18.7 إلى 96.20
  6. مؤشر DMC - DMC من نظام FWI: 1.1 إلى 291.3
  7. مؤشر DC - DC من نظام FWI: 7.9 إلى 860.6
  8. مؤشر ISI - ISI من نظام FWI: من 0.0 إلى 56.10
  9. درجة الحرارة - درجة الحرارة بالدرجات المئوية: 2.2 إلى 33.30
  10. RH - الرطوبة النسبية في٪: 15.0 إلى 100
  11. سرعة الرياح - كم / ساعة: 0.40 إلى 9.40
  12. المطر - المطر الخارجي بالمليمتر / م 2: من 0.0 إلى 6.4
  13. المساحة - المساحة المحترقة من الغابة (بالهاكتار): 0.00 إلى 1090.84 (متغير الإخراج هذا مائل جدًا نحو 0.0 ، وبالتالي قد يكون من المنطقي النموذج باستخدام التحويل اللوغاريتمي).
انشق، مزق أمثلة
'train' 517
  • هيكل الميزة :
FeaturesDict({
    'area': float32,
    'features': FeaturesDict({
        'DC': float32,
        'DMC': float32,
        'FFMC': float32,
        'ISI': float32,
        'RH': float32,
        'X': uint8,
        'Y': uint8,
        'day': ClassLabel(shape=(), dtype=int64, num_classes=7),
        'month': ClassLabel(shape=(), dtype=int64, num_classes=12),
        'rain': float32,
        'temp': float32,
        'wind': float32,
    }),
})
  • وثائق الميزة :
ميزة فصل شكل نوع وصف
الميزات
منطقة موتر تعويم 32
الميزات الميزات
الميزات / DC موتر تعويم 32
الميزات / DMC موتر تعويم 32
الميزات / FFMC موتر تعويم 32
الميزات / ISI موتر تعويم 32
الميزات / RH موتر تعويم 32
الميزات / X موتر uint8
الميزات / Y موتر uint8
الميزات / اليوم ClassLabel int64
الميزات / الشهر ClassLabel int64
الميزات / المطر موتر تعويم 32
الميزات / temp موتر تعويم 32
الميزات / الرياح موتر تعويم 32
  • الاقتباس :
@misc{Dua:2019 ,
author = "Dua, Dheeru and Graff, Casey",
year = "2017",
title = "{UCI} Machine Learning Repository",
url = "http://archive.ics.uci.edu/ml",
institution = "University of California, Irvine, School of Information and Computer Sciences" }

@article{cortez2007data,
  title={A data mining approach to predict forest fires using meteorological data},
  author={Cortez, Paulo and Morais, Anibal de Jesus Raimundo},
  year={2007},
  publisher={Associa{\c{c} }{\~a}o Portuguesa para a Intelig{\^e}ncia Artificial (APPIA)}
}