лесные пожары

• Описание:

Это задача регрессии, цель которой состоит в том, чтобы спрогнозировать площадь выгоревших лесных пожаров в северо-восточном регионе Португалии с использованием метеорологических и других данных.

Информация о наборе данных:

В [Cortez and Morais, 2007] выходная «площадь» сначала была преобразована с помощью функции ln (x + 1). Затем были применены несколько методов интеллектуального анализа данных. После подбора моделей выходные данные подвергались постобработке с использованием преобразования, обратного преобразованию ln (x + 1). Использовались четыре различных типа входов. Эксперименты проводились с использованием 10-кратной (перекрестная проверка) х 30 запусков. Были измерены два показателя регрессии: MAD и RMSE. Машина с опорным вектором Гаусса (SVM), получавшая только 4 прямых погодных условия (температура, относительная влажность, ветер и дождь), получила лучшее значение MAD: 12,71 + - 0,01 (средний и доверительный интервал в пределах 95% с использованием распределения t-Стьюдента). Наилучшее RMSE было получено с помощью наивного предиктора среднего. Анализ кривой ошибок регрессии (REC) показывает, что модель SVM предсказывает больше примеров в пределах более низкой допустимой ошибки. Фактически, модель SVM лучше предсказывает небольшие пожары, которых является большинство.

Информация об атрибутах:

Для получения дополнительной информации прочтите [Cortez and Morais, 2007].

1. X - пространственная координата по оси X на карте парка Монтесинью: от 1 до 9.
2. Y - пространственная координата оси Y на карте парка Монтесинью: от 2 до 9.
3. month - месяц года: от jan до dec
4. day - день недели: от 'пн' до 'вс'
5. FFMC - индекс FFMC из системы FWI: от 18,7 до 96,20
6. DMC - индекс DMC из системы FWI: от 1,1 до 291,3
7. DC - индекс постоянного тока из системы FWI: от 7,9 до 860,6
8. ISI - индекс ISI из системы FWI: от 0,0 до 56,10
9. temp - температура в градусах Цельсия: от 2,2 до 33,30
10. RH - относительная влажность в%: от 15,0 до 100
11. wind - скорость ветра в км / ч: от 0,40 до 9,40
12. дождь - наружный дождь в мм / м2: от 0,0 до 6,4
13. area - площадь выгоревшего леса (в га): от 0,00 до 1090,84 (эта выходная переменная сильно отклонена в сторону 0,0, поэтому может иметь смысл моделировать с помощью логарифмического преобразования).

• Домашняя страница: https://archive.ics.uci.edu/ml/datasets/Forest+Fires

• Исходный код: tfds.structured.ForestFires

• Версии:

  • 0.0.1 ( по умолчанию): Нет Замечания к выпуску.

• Скачать Размер: 24.88 KiB

• Dataset Размер: 162.07 KiB

• Авто-кэшируются ( документация ): Да

• расколы:

• Особенности:

FeaturesDict({
    'area': tf.float32,
    'features': FeaturesDict({
        'DC': tf.float32,
        'DMC': tf.float32,
        'FFMC': tf.float32,
        'ISI': tf.float32,
        'RH': tf.float32,
        'X': tf.uint8,
        'Y': tf.uint8,
        'day': ClassLabel(shape=(), dtype=tf.int64, num_classes=7),
        'month': ClassLabel(shape=(), dtype=tf.int64, num_classes=12),
        'rain': tf.float32,
        'temp': tf.float32,
        'wind': tf.float32,
    }),
})

• Контролируемые ключи (См as_supervised документ ): ('area', 'features')

• Рис ( tfds.show_examples ): Не поддерживается.

• Примеры ( tfds.as_dataframe ):

• Образец цитирования:

@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)}
}