שריפות יער

  • תיאור:

זוהי משימת רגרסיה, כאשר המטרה היא לחזות את האזור השרוף של שריפות היער, באזור הצפון מזרחי של פורטוגל, על ידי שימוש בנתונים מטאורולוגיים ואחרים.

מידע על מערך נתונים:

ב- [Cortez and Morais, 2007], 'אזור' הפלט הופך לראשונה עם פונקציית ln (x+1). לאחר מכן, יושמו מספר שיטות כריית נתונים. לאחר התאמת הדגמים, הפלטים עברו עיבוד לאחר ההפוך של הטרנספורמציה ln (x+1). שימשו ארבע הגדרות קלט שונות. הניסויים נערכו באמצעות פי 10 (אימות צולב) x 30 ריצות. נמדדו שני מדדי רגרסיה: MAD ו- RMSE. מכונת וקטור תמיכה גאוסית (SVM) שניזונה מ -4 תנאי מזג אוויר ישירים בלבד (טמפ ', חום, רוח וגשם) השיגה את ערך ה- MAD הטוב ביותר: 12.71 +- 0.01 (ממוצע ומרווח ביטחון בתוך 95% באמצעות התפלגות t-student). ה- RMSE הטוב ביותר הושג על ידי מנבא הממוצע הנאיבי. ניתוח עקומת שגיאת הרגרסיה (REC) מראה כי מודל SVM מנבא דוגמאות נוספות בתוך שגיאה נמוכה יותר. למעשה, מודל SVM מנבא שריפות קטנות טובות יותר, שהן הרוב.

מידע על תכונה:

למידע נוסף, קרא [Cortez and Morais, 2007].

  1. קואורדינטות מרחביות X- ציר x בתוך מפת פארק מונטסיניו: 1 עד 9
  2. קואורדינטות מרחביות של ציר Y - y בתוך מפת פארק מונטסיניו: 2 עד 9
  3. חודש - חודש בשנה: 'יאן' עד 'דק'
  4. יום - יום בשבוע: 'שני' עד 'שמש'
  5. FFMC - אינדקס FFMC ממערכת FWI: 18.7 עד 96.20
  6. DMC - מדד DMC ממערכת FWI: 1.1 עד 291.3
  7. מדד DC - DC ממערכת FWI: 7.9 עד 860.6
  8. ISI - מדד ISI ממערכת FWI: 0.0 עד 56.10
  9. טמפ ' - טמפרטורה במעלות צלזיוס: 2.2 עד 33.30
  10. RH - לחות יחסית באחוזים: 15.0 עד 100
  11. רוח - מהירות הרוח בקמ"ש: 0.40 עד 9.40
  12. גשם - גשם חיצוני במ"מ/מ"ר: 0.0 עד 6.4
  13. שטח - השטח השרוף של היער (בהאה): 0.00 עד 1090.84 (משתנה פלט זה מוטה מאוד לכיוון 0.0, ולכן עשוי להיות הגיוני לדגמן עם טרנספורמציה הלוגריתם).
לְפַצֵל דוגמאות
'train' 517
  • מאפיינים:
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,
    }),
})
  • ציטוט:
@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)}
}