دانلودمقاله با موضوع یک مدل یادگیری ماشینی مجموعه ای برای پیش بینی مناطق خطر
در قالب pdf و در 6 اسلاید،قابل ویرایش، شامل:
موضوع انگلیسی:An ensemble machine learning model for the prediction of danger zones:
Towards a global counter-terrorism
بخشی از متن:تروریسم را می توان به عنوان استفاده از خشونت علیه افراد یا اموال برای ارعاب یا اجبار یک دولت توصیف کرد
یا شهروندان خود را به برخی از اهداف سیاسی یا اجتماعی خاص. این یک مشکل جهانی است که منجر به از دست دادن آن شده است
زندگی و دارایی و اثرات منفی بر گردشگری و اقتصاد جهانی شناخته شده است. تروریسم نیز داشته است
با سطح بالایی از ناامنی همراه بوده و اکثر کشورهای جهان به هر گونه تلاش تحقیقاتی علاقه مند هستند
که می تواند خطر آن را کاهش دهد. بیشتر تلاش‌های تحقیقاتی در مورد تروریسم بر اقدامات مبارزه با تروریسم متمرکز شده است
یا اینکه چگونه می توان فعالیت های تروریست ها را کاهش داد، اما تلاش های محدودی برای پیش بینی تروریسم وجود دارد. هدف از این
کار توسعه یک مدل یادگیری ماشین مجموعه است که ترکیبی از ماشین بردار پشتیبان و K-Nearest است
همسایه برای پیش بینی قاره های مستعد تروریسم. داده ها از پایگاه داده جهانی تروریسم به دست آمده است
و پیش پردازش داده ها شامل پاکسازی داده ها و کاهش ابعاد بود. دو تکنیک انتخاب ویژگی،
قبل از مدل‌سازی، مجذور کای، به دست آوردن اطلاعات و ترکیبی از هر دو به مجموعه داده اعمال شد.
سپس مدل‌های یادگیری ماشینی مجموعه‌ای ساخته و بر روی ویژگی‌های انتخاب شده اعمال شدند. مربع کای،
اطلاعات Gain و ویژگی های مبتنی بر ترکیبی به ترتیب دقت 94.17%، 97.34% و 97.81% را ایجاد کردند.
در پیش بینی مناطق خطر با نمرات حساسیت 82.3%، 88.7% و 92.2% و ویژگی
امتیازات به ترتیب 98%، 90.5% و 99.67% بود. اینها نشان می‌دهند که ویژگی‌های انتخابی مبتنی بر هیبرید باعث تولید این ویژگی‌ها می‌شود
بهترین نتایج در میان تکنیک‌های انتخاب ویژگی در پیش‌بینی مکان‌های تروریسم. نتایج ما این را نشان می دهد
مدل یادگیری ماشینی مجموعه ای می تواند مکان های تروریسم را به دقت پیش بینی کند.
