Đánh giá hiệu suất của các thuật toán học máy để phát hiện địa chấn
Các tác giả
Từ khóa:
thuật toán học máy, k láng giếng gần nhất, cây quyết định, RUSBoost, địa chấnTóm tắt
Các mối nguy hiểm của hoạt động khai thác mỏ rất khó phát hiện, có thể được so sánh với các trận động đất và gây ra hậu quả rất nghiêm trọng cho con người. Do đó, phát triển các phương pháp dự đoán trạng thái nguy hiểm dưới hầm mỏ là cần thiết để giảm thiểu những thiệt hại không mong muốn. Trong bài báo này, các thuật toán học máy như k láng giếng gần nhất, cây quyết định, và RUSBoost được áp dụng lên tập dữ liệu để phát hiện ra các trạng thái nguy hiểm. Dựa trên độ chính xác phân loại, tỷ lệ dương thực sự, giá trị dự án tích cực, và độ đo F1, chúng tôi nhận thấy rằng các thuật toán học máy đã được đề cập có thể tạo ra các mô hình phân loại với kết quả đáng tin cậy.
Abstract
Mining operations are always at risk because there are seismic hazards that frequently occur underneath mines. These hazards are difficult to detect, can be compared with earthquakes, and have very serious consequences for humans. Therefore, the development of methods to predict dangerous underground conditions is essential to minimize undesirable damage. In this paper, machine learning algorithms, such as k nearest neighbors, decision trees, and RUSBoost are applied to the dataset to detect dangerous and non - dangerous states. Based on classificaƟon measurements, named accuracy, recall, precision, and F1 measure, we observe the machine learning algorithms menƟoned can create the classificaƟon models with reliable results.
Tải xuống
Tải xuống: 7