שריפות יער

• תיאור :

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

מידע מערך נתונים:

ב [Cortez and Morais, 2007], 'שטח' הפלט עבר טרנספורמציה לראשונה עם פונקציה ln(x+1). לאחר מכן, יושמו מספר שיטות כריית נתונים. לאחר התאמת המודלים, הפלטים עברו עיבוד לאחר היפוך של הטרנספורמציה ln(x+1). נעשה שימוש בארבע הגדרות קלט שונות. הניסויים נערכו באמצעות ריצות של פי 10 (אימות צולב) x 30. נמדדו שני מדדי רגרסיה: MAD ו-RMSE. מכונת וקטור תמיכה גאוסית (SVM) שהוזנה ב-4 תנאי מזג אוויר ישירים בלבד (טמפ', RH, רוח וגשם) השיגה את ערך ה-MAD הטוב ביותר: 12.71 +- 0.01 (ממוצע ורווח סמך בתוך 95% באמצעות התפלגות t-student). ה-RMSE הטוב ביותר הושג על ידי מנבא הממוצע הנאיבי. ניתוח של עקומת שגיאת הרגרסיה (REC) מראה שמודל SVM מנבא דוגמאות נוספות בתוך שגיאה מודה נמוכה יותר. למעשה, מודל ה-SVM מנבא שריפות קטנות טובות יותר, שהן הרוב.

מידע על תכונה:

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

1. קואורדינטה מרחבית של ציר X במפת פארק מונטסיניו: 1 עד 9
2. קואורדינטה מרחבית של ציר Y - במפת פארק מונטסיניו: 2 עד 9
3. חודש - חודש בשנה: 'jan' עד 'דצמבר'
4. יום - יום בשבוע: 'ב' 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. DC - DC index 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 רוח בקמ"ש: 0.40 עד 9.40
12. גשם - גשם בחוץ במ"מ/מ"ר: 0.0 עד 6.4
13. שטח - השטח השרוף של היער (בה"א): 0.00 עד 1090.84 (משתנה פלט זה מוטה מאוד לכיוון 0.0, ולכן אולי הגיוני לעשות מודל עם טרנספורמציה לוגריתמית).

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

• קוד מקור : tfds.structured.ForestFires

• גרסאות :

  • 0.0.1 (ברירת מחדל): אין הערות שחרור.

• גודל הורדה : 24.88 KiB

• גודל מערך נתונים : 162.07 KiB

• שמור אוטומטי במטמון ( תיעוד ): כן

• פיצולים :

לְפַצֵל	דוגמאות
'train'	517

• מבנה תכונה :

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,
    }),
})

• תיעוד תכונה :

תכונה	מעמד	צוּרָה	Dtype	תיאור
	FeaturesDict
אֵזוֹר	מוֹתֵחַ		לצוף32
תכונות	FeaturesDict
תכונות/DC	מוֹתֵחַ		לצוף32
תכונות/DMC	מוֹתֵחַ		לצוף32
תכונות/FFMC	מוֹתֵחַ		לצוף32
תכונות/ISI	מוֹתֵחַ		לצוף32
תכונות/RH	מוֹתֵחַ		לצוף32
תכונות/X	מוֹתֵחַ		uint8
תכונות/Y	מוֹתֵחַ		uint8
תכונות/יום	ClassLabel		int64
תכונות/חודש	ClassLabel		int64
תכונות/גשם	מוֹתֵחַ		לצוף32
תכונות/טמפ'	מוֹתֵחַ		לצוף32
תכונות/רוח	מוֹתֵחַ		לצוף32

• מפתחות בפיקוח (ראה as_supervised doc ): ('area', 'features')

• איור ( tfds.show_examples ): לא נתמך.

• דוגמאות ( tfds.as_dataframe ):

• 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)}
}