مقایسه الگوریتم های یادگیری ماشین در انتخاب ویژگی و طبقه بندی شدت تصادفات عابر پیاده (مطالعه موردی: شهر قم)

این مقاله به بررسی کارایی الگوریتم های یادگیری ماشین در طبقه بندی شدت تصادفات عابر پیاده باتوجه به عوامل مختلفی مانند وضعیت آب وهوا، دوره های زمانی و نوع تصادف پرداخته است. در ابتدا، تکنیک های مختلفی برای انتخاب ویژگی مورد بررسی و ارزیابی قرار گرفته و با استفاده از داده های واقعی شهر قم، بهینه سازی ترکیب ویژگی ها برای بهبود دقت طبقه بندی انجام شده است. سپس، کارایی الگوریتم های k نزدیک ترین همسایه، درخت تصمیم و جنگل تصادفی با استفاده از چندین معیار ، بررسی و مقایسه شده است. نتایج نشان داده اند که درخت تصمیم بهترین کارایی را در طبقه بندی شدت تصادفات دارد. ضمن اینکه برای این مدل، انجام انتخاب ویژگی توصیه نمی شد. دقت طبقه بندی هر مدل یادگیری به ابعاد داده ها و ویژگی های انتخاب شده بستگی دارد بنابراین، پیشنهاد می شود که تاثیر عوامل دیگری مانند شرایط ترافیک و ویژگی های جاده به همراه وضعیت آب وهوایی بررسی شود تا بهبود کارایی الگوریتم های طبقه بندی در این زمینه انجام شود

کلیدواژه ها:

انتخاب ویژگی ، طبقه بندی ، ماتریس درهم ریختگی ، یادگیری ماشین