বনের আগুন

• বর্ণনা :

এটি একটি রিগ্রেশন টাস্ক, যেখানে লক্ষ্য হল আবহাওয়া ও অন্যান্য ডেটা ব্যবহার করে পর্তুগালের উত্তর-পূর্ব অঞ্চলে বনের আগুনে পুড়ে যাওয়া এলাকার পূর্বাভাস দেওয়া।

ডেটা সেট তথ্য:

[Cortez and Morais, 2007] এ, আউটপুট 'এরিয়া' প্রথম একটি ln(x+1) ফাংশন দিয়ে রূপান্তরিত হয়েছিল। তারপরে, বিভিন্ন ডেটা মাইনিং পদ্ধতি প্রয়োগ করা হয়েছিল। মডেলগুলি ফিট করার পরে, আউটপুটগুলি ln(x+1) ট্রান্সফর্মের বিপরীতের সাথে পোস্ট-প্রসেস করা হয়েছিল। চারটি ভিন্ন ইনপুট সেটআপ ব্যবহার করা হয়েছিল। পরীক্ষাগুলি 10-গুণ (ক্রস-বৈধকরণ) x 30 রান ব্যবহার করে পরিচালিত হয়েছিল। দুটি রিগ্রেশন মেট্রিক পরিমাপ করা হয়েছিল: MAD এবং RMSE। একটি গাউসিয়ান সাপোর্ট ভেক্টর মেশিন (SVM) শুধুমাত্র 4টি সরাসরি আবহাওয়ার অবস্থা (টেম্প, আরএইচ, বাতাস এবং বৃষ্টি) দিয়ে খাওয়ানো হয়েছে সেরা MAD মান: 12.71 +- 0.01 (একটি টি-স্টুডেন্ট ডিস্ট্রিবিউশন ব্যবহার করে 95% এর মধ্যে গড় এবং আত্মবিশ্বাসের ব্যবধান)। সেরা RMSE নিষ্পাপ গড় ভবিষ্যদ্বাণী দ্বারা অর্জিত হয়েছে. রিগ্রেশন এরর কার্ভ (REC) এর একটি বিশ্লেষণ দেখায় যে SVM মডেল কম স্বীকার করা ত্রুটির মধ্যে আরও উদাহরণের পূর্বাভাস দেয়। বাস্তবে, এসভিএম মডেলটি আরও ভাল ছোট আগুনের পূর্বাভাস দেয়, যা সংখ্যাগরিষ্ঠ।

বৈশিষ্ট্য তথ্য:

আরও তথ্যের জন্য, পড়ুন [কর্টেজ এবং মোরাইস, 2007]।

1. মন্টেসিনহো পার্ক মানচিত্রের মধ্যে এক্স - এক্স-অক্ষ স্থানিক স্থানাঙ্ক: 1 থেকে 9
2. মন্টেসিনহো পার্ক মানচিত্রের মধ্যে Y - y-অক্ষ স্থানিক স্থানাঙ্ক: 2 থেকে 9
3. মাস - বছরের মাস: 'জান' থেকে 'ডিসেম্বর'
4. দিন - সপ্তাহের দিন: 'সোম' থেকে 'সূর্য'
5. FFMC - FWI সিস্টেম থেকে FFMC সূচক: 18.7 থেকে 96.20
6. DMC - FWI সিস্টেম থেকে DMC সূচক: 1.1 থেকে 291.3
7. DC - FWI সিস্টেম থেকে DC সূচক: 7.9 থেকে 860.6
8. ISI - FWI সিস্টেম থেকে ISI সূচক: 0.0 থেকে 56.10
9. তাপমাত্রা - সেলসিয়াস ডিগ্রি তাপমাত্রা: 2.2 থেকে 33.30
10. RH - আপেক্ষিক আর্দ্রতা %: 15.0 থেকে 100
11. বায়ু - কিমি/ঘন্টায় বাতাসের গতি: 0.40 থেকে 9.40
12. বৃষ্টি - বাইরের বৃষ্টি mm/m2 : 0.0 থেকে 6.4
13. এলাকা - বনের পোড়া এলাকা (হেক্টরে): 0.00 থেকে 1090.84 (এই আউটপুট ভেরিয়েবলটি 0.0 এর দিকে খুব তির্যক, এইভাবে লগারিদম ট্রান্সফর্মের সাথে মডেল করার অর্থ হতে পারে)।

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

• সোর্স কোড : tfds.structured.ForestFires

• সংস্করণ :

  • 0.0.1 (ডিফল্ট): কোনো রিলিজ নোট নেই।

• ডাউনলোডের আকার : 24.88 KiB

• ডেটাসেটের আকার : 162.07 KiB

• স্বয়ংক্রিয় ক্যাশে ( ডকুমেন্টেশন ): হ্যাঁ

• বিভাজন :

বিভক্ত	উদাহরণ
'train'	517

• বৈশিষ্ট্য গঠন :

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,
    }),
})

• বৈশিষ্ট্য ডকুমেন্টেশন :

বৈশিষ্ট্য	ক্লাস	আকৃতি	ডিটাইপ	বর্ণনা
	ফিচারসডিক্ট
এলাকা	টেনসর		float32
বৈশিষ্ট্য	ফিচারসডিক্ট
বৈশিষ্ট্য/ডিসি	টেনসর		float32
বৈশিষ্ট্য/ডিএমসি	টেনসর		float32
বৈশিষ্ট্য/এফএফএমসি	টেনসর		float32
বৈশিষ্ট্য/আইএসআই	টেনসর		float32
বৈশিষ্ট্য/আরএইচ	টেনসর		float32
বৈশিষ্ট্য/এক্স	টেনসর		uint8
বৈশিষ্ট্য/ওয়াই	টেনসর		uint8
বৈশিষ্ট্য/দিন	ক্লাসলেবেল		int64
বৈশিষ্ট্য/মাস	ক্লাসলেবেল		int64
বৈশিষ্ট্য/বৃষ্টি	টেনসর		float32
বৈশিষ্ট্য/তাপ	টেনসর		float32
বৈশিষ্ট্য/বাতাস	টেনসর		float32

• তত্ত্বাবধান করা কী (দেখুন as_supervised doc ): ('area', 'features')

• চিত্র ( tfds.show_examples ): সমর্থিত নয়।

• উদাহরণ ( tfds.as_dataframe ):

• উদ্ধৃতি :

@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)}
}