Citation Request: This dataset is p

Citation Request:
This dataset is public available for research. The details are described in [Cortez and Morais, 2007].
Please include this citation if you plan to use this database:

P. Cortez and A. Morais. A Data Mining Approach to Predict Forest Fires using Meteorological Data.
In J. Neves, M. F. Santos and J. Machado Eds., New Trends in Artificial Intelligence,
Proceedings of the 13th EPIA 2007 - Portuguese Conference on Artificial Intelligence, December,
Guimaraes, Portugal, pp. 512-523, 2007. APPIA, ISBN-13 978-989-95618-0-9.
Available at: http://www.dsi.uminho.pt/~pcortez/fires.pdf

1. Title: Forest Fires

2. Sources
Created by: Paulo Cortez and Aníbal Morais (Univ. Minho) @ 2007

3. Past Usage:

P. Cortez and A. Morais. A Data Mining Approach to Predict Forest Fires using Meteorological Data.
In Proceedings of the 13th EPIA 2007 - Portuguese Conference on Artificial Intelligence,
December, 2007. (http://www.dsi.uminho.pt/~pcortez/fires.pdf)

In the above reference, the output "area" was first transformed with a ln(x+1) function.
Then, several Data Mining methods were applied. After fitting the models, the outputs were
post-processed with the inverse of the ln(x+1) transform. Four different input setups were
used. The experiments were conducted using a 10-fold (cross-validation) x 30 runs. Two
regression metrics were measured: MAD and RMSE. A Gaussian support vector machine (SVM) fed
with only 4 direct weather conditions (temp, RH, wind and rain) obtained the best MAD value:
12.71 +- 0.01 (mean and confidence interval within 95% using a t-student distribution). The
best RMSE was attained by the naive mean predictor. An analysis to the regression error curve
(REC) shows that the SVM model predicts more examples within a lower admitted error. In effect,
the SVM model predicts better small fires, which are the majority.

4. Relevant Information:

This is a very difficult regression task. It can be used to test regression methods. Also,
it could be used to test outlier detection methods, since it is not clear how many outliers
are there. Yet, the number of examples of fires with a large burned area is very small.

5. Number of Instances: 517

6. Number of Attributes: 12 + output attribute

Note: several of the attributes may be correlated, thus it makes sense to apply some sort of
feature selection.

7. Attribute information:

For more information, read [Cortez and Morais, 2007].

1. X - x-axis spatial coordinate within the Montesinho park map: 1 to 9
2. Y - y-axis spatial coordinate within the Montesinho park map: 2 to 9
3. month - month of the year: "jan" to "dec"
4. day - day of the week: "mon" to "sun"
5. FFMC - FFMC index from the FWI system: 18.7 to 96.20
6. DMC - DMC index from the FWI system: 1.1 to 291.3
7. DC - DC index from the FWI system: 7.9 to 860.6
8. ISI - ISI index from the FWI system: 0.0 to 56.10
9. temp - temperature in Celsius degrees: 2.2 to 33.30
10. RH - relative humidity in %: 15.0 to 100
11. wind - wind speed in km/h: 0.40 to 9.40
12. rain - outside rain in mm/m2 : 0.0 to 6.4
13. area - the burned area of the forest (in ha): 0.00 to 1090.84
(this output variable is very skewed towards 0.0, thus it may make
sense to model with the logarithm transform).

8. Missing Attribute Values: None

ผลลัพธ์ (ไทย) 1:

ขออ้างอิง: ชุดข้อมูลนี้เป็นสาธารณะสำหรับการวิจัย รายละเอียดไว้ใน [Cortez และ Morais, 2007] กรุณาใส่เครื่องหมายอ้างอิงนี้ถ้าคุณวางแผนที่จะใช้ฐานข้อมูลนี้: P. Cortez และ A. Morais มีข้อมูลทำเหมืองแร่วิธีทำนายจากไฟป่าโดยใช้ข้อมูลอุตุนิยมวิทยา ใน J. Neves ซานโตส F. M. และมาชาโด J. Eds. ปัญญาประดิษฐ์ แนวโน้มใหม่ ตอน 13 EPIA 2007 - การประชุมปัญญาประดิษฐ์ ธันวาคม โปรตุเกส Guimaraes โปรตุเกส นำ 512-523, 2007 แยตโอ ISBN 13 978-989-95618-0-9 ได้ที่: http://www.dsi.uminho.pt/~pcortez/fires.pdf1. ชื่อเรื่อง: ไฟป่า2. แหล่ง โดย: เปา Cortez และ Aníbal Morais (มหาวิทยาลัย Minho) @ 2007 3. ผ่านการใช้งาน: P. Cortez และ A. Morais มีข้อมูลทำเหมืองแร่วิธีทำนายจากไฟป่าโดยใช้ข้อมูลอุตุนิยมวิทยา ในตอน 13 EPIA 2007 - การประชุมที่ปัญญาประดิษฐ์ โปรตุเกส ธันวาคม 2007 (http://www.dsi.uminho.pt/~pcortez/fires.pdf) ในการอ้างอิงข้างต้น ผล "ตั้ง" ถูกเปลี่ยนไป โดยใช้ฟังก์ชัน ln(x+1) ก่อน แล้ว วิธีการทำเหมืองแร่ข้อมูลต่าง ๆ ถูกนำไปใช้ หลังจากรูปแบบที่เหมาะสม แสดงผลได้ หลังการประมวลผล ด้วยค่าผกผันของการแปลง ln(x+1) ถูกตั้งค่าสำหรับการป้อนค่าต่าง ๆ สี่ ใช้ ทดลองได้ดำเนินการโดยใช้การรัน 30 10-fold (การตรวจสอบข้าม) x สอง มีวัดวัดถดถอย: MAD และ RMSE เครื่องสนับสนุน Gaussian เวกเตอร์ (SVM) เลี้ยง กับอากาศโดยตรงเพียง 4 เงื่อนไข (ชั่ว RH ลม และฝน) ได้ดีบ้า: 12.71 + -0.01 (ค่าเฉลี่ยและช่วงความเชื่อมั่นภายใน 95% ใช้แจกนักเรียน t) ที่ สุด RMSE ที่บรรลุ โดยผู้ทายผลเฉลี่ยขำน่า การวิเคราะห์การถดถอยพลาดโค้ง (REC) แสดงว่า แบบ SVM ทำนายตัวอย่างเพิ่มเติมในความผิดพลาดต่ำกว่าที่ admitted ผล แบบ SVM ทำนายดีขนาดเล็กไฟ ซึ่งเป็นส่วนใหญ่ 4. ข้อมูลที่เกี่ยวข้อง: งานถดถอยยากอยู่ มันสามารถใช้ในการทดสอบวิธีการถดถอย ยัง มันอาจจะใช้การทดสอบ outlier ตรวจวิธี เนื่องจากไม่ได้ล้าง outliers จำนวน อยู่นั่น ยัง จำนวนตัวอย่างของไฟกับพื้นที่เขียนขนาดใหญ่มีขนาดเล็กมาก5. หมายเลขของอินสแตนซ์: 517 6. หมายเลขของแอตทริบิวต์: 12 + ออกแอตทริบิวต์ หมายเหตุ: แอตทริบิวต์หลายอาจถูก correlated ดังนั้น มันทำให้รู้สึกใช้บางจัดเรียงของ การเลือกคุณลักษณะ7. ข้อมูลคุณลักษณะ: สำหรับข้อมูลเพิ่มเติม อ่าน [Cortez และ Morais, 2007] 1. X - แกนพิกัดปริภูมิในแผนที่สวน Montesinho: 1-9 2. Y - แกน y พิกัดปริภูมิในแผนที่สวน Montesinho: 2-9 3 เดือน - เดือนปี: "jan" กับ "ธันวาคม" 4. วัน - วันในสัปดาห์: "มนต์" กับ "ซัน" 5. FFMC - FFMC ดัชนีจากระบบ FWI: 18.7-96.20 6. DMC - ดัชนี DMC จากระบบ FWI: 1.1-291.3 7. DC - DC ดัชนีจากระบบ FWI: 7.9-860.6 8. ISI - ดัชนี ISI จากระบบ FWI: 0.0-56.10 9. อุณหภูมิ - อุณหภูมิในเซลเซียสองศา: 2.2-33.30 10. RH - ความชื้นสัมพัทธ์%: 15.0-100 11. ลม - ความเร็วลมใน h: km 0.40-9.40 12. ฝน - นอกฝนใน mm/m2: 0.0-6.4 13. พื้นที่ - พื้นที่เขียนของป่า (ในฮา): 0.00-1090.84 (ตัวแปรผลลัพธ์นี้จะบิดมากต่อ 0.0 ดังนั้น มันอาจทำให้ ความรู้สึกแบบจำลองด้วยการแปลงลอการิทึม) 8. ขาดแอตทริบิวต์ค่า: ไม่มี

ผลลัพธ์ (ไทย) 2:

ขออ้างอิง:
ชุดนี้เป็นที่สาธารณะสำหรับการวิจัย . โดยมีรายละเอียดอธิบายไว้ใน [คอร์เตซและคอง 2007]
โปรดอ้างอิงนี้ถ้าคุณวางแผนที่จะใช้ฐานข้อมูลนี้: พี คอร์เตซและเอคอง วิธีการทำเหมืองข้อมูลการคาดการณ์ไฟป่าโดยใช้ข้อมูลอุตุนิยมวิทยา. ในเจเฟส, MF ซานโตสและเจ Machado สหพันธ์แนวโน้มใหม่ในการประดิษฐ์. การดำเนินการของ EPIA 2007 วันที่ 13 - การประชุมโปรตุเกสปัญญาประดิษฐ์ธันวาคมGuimaraes, โปรตุเกส , หน้า 512-523 2007 APPIA, ไอ-13 978-989-95618-0-9.. มีจำหน่ายที่: http://www.dsi.uminho.pt/~pcortez/fires.pdf 1 ชื่อเรื่อง: ไฟป่า2 แหล่งที่มาสร้างโดย: เปาลูคอร์เตซและAníbalคอง (Univ. มินโฮ) @ 2007 3. การใช้งานที่ผ่านมา: พี คอร์เตซและเอคอง วิธีการทำเหมืองข้อมูลการคาดการณ์ไฟป่าโดยใช้ข้อมูลอุตุนิยมวิทยา. ในการดำเนินการของ 13 EPIA 2007 - การประชุมโปรตุเกสประดิษฐ์ธันวาคม 2007 (http://www.dsi.uminho.pt/~pcortez/fires.pdf) ในการอ้างอิงข้างต้นส่งออก "พื้นที่" ก็กลายเป็นครั้งแรกที่มี LN (x + 1) ฟังก์ชั่น. จากนั้นหลายวิธีการทำเหมืองข้อมูลถูกนำไปใช้ หลังจากการปรับรุ่น, เอาท์พุทได้รับการโพสต์การประมวลผลด้วยผกผันของ LN (x + 1) การแปลง สี่การตั้งค่าการป้อนข้อมูลที่แตกต่างกันถูกนำมาใช้ ทดลองใช้ 10 เท่า (การตรวจสอบข้าม) x 30 วิ่ง สองตัวชี้วัดการถดถอยวัด: MAD และ RMSE การสนับสนุนเครื่องเวกเตอร์เสียน (SVM) ที่เลี้ยงมีเพียง 4 สภาพอากาศโดยตรง (ชั่วคราว, RH, ลมและฝน) ได้รับค่า MAD ที่ดีที่สุด: 12.71 + - 0.01 (ค่าเฉลี่ยและช่วงความเชื่อมั่น 95% ภายในโดยใช้การจัดจำหน่ายเสื้อนักเรียน) RMSE ที่ดีที่สุดก็บรรลุโดยเฉลี่ยทำนายที่ไร้เดียงสา การวิเคราะห์โค้งข้อผิดพลาดการถดถอย(บันทึก) แสดงให้เห็นว่ารูปแบบ SVM คาดการณ์ตัวอย่างเพิ่มเติมภายในข้อผิดพลาดเข้ารับการรักษาที่ต่ำกว่า ผลรูปแบบ SVM คาดการณ์ไฟขนาดเล็กที่ดีขึ้นซึ่งเป็นส่วนใหญ่. 4 ข้อมูลที่เกี่ยวข้อง: นี้เป็นงานที่ยากมากที่ถดถอย มันสามารถนำมาใช้ในการทดสอบวิธีการถดถอย นอกจากนี้ก็อาจจะใช้ในการทดสอบวิธีการตรวจสอบค่าผิดปกติเพราะมันไม่เป็นที่ชัดเจนว่าหลายค่าผิดปกติจะมี แต่จำนวนของตัวอย่างของการเกิดเพลิงไหม้ที่มีพื้นที่ขนาดใหญ่เผามีขนาดเล็กมาก. 5 จำนวนอินสแตนซ์: 517 6. จำนวนแอตทริบิวต์: 12 + เอาท์พุทแอตทริบิวต์หมายเหตุ: หลายคุณลักษณะที่อาจจะมีความสัมพันธ์ดังนั้นจึงทำให้ความรู้สึกที่จะใช้การเรียงลำดับของการเลือกคุณลักษณะ. 7 ข้อมูลแอตทริบิวต์: สำหรับข้อมูลเพิ่มเติมโปรดอ่าน [คอร์เตซและคอง 2007]. 1 X - แกน x เชิงพื้นที่ประสานงานภายในสวน Montesinho แผนที่: 1-9 2. Y - แกน y ที่เชิงพื้นที่ประสานงานภายในสวน Montesinho แผนที่: 2-9 3 เดือน - เดือนแรกของปี "มกราคม" เป็น "ธันวาคม" 4 วัน - วันของสัปดาห์: "จันทร์" กับ "ดวงอาทิตย์" 5 FFMC - ดัชนี FFMC จากระบบ FWI: 18.7-96.20 6 DMC - ดัชนี DMC จากระบบ FWI: 1.1-291.3 7 ซี - ดัชนีซีจากระบบ FWI: 7.9-860.6 8 เอส - ดัชนีเอสจากระบบ FWI: 0.0-56.10 9 อุณหภูมิ - อุณหภูมิองศาเซลเซียส: 2.2-33.30 10 RH - ความชื้นสัมพัทธ์ใน%: 15.0-100 11. ลม - ความเร็วลมในกม / ชม: 0.40-9.40 12 ฝน - ฝนข้างนอกใน mm / m2: 0.0-6.4 13 พื้นที่ - พื้นที่เผาป่า (ในฮ่า): 0.00-1090.84 (ตัวแปรผลลัพธ์นี้เป็นเบ้มากต่อ 0.0 ดังนั้นจึงอาจจะทำให้ความรู้สึกที่จะมีรูปแบบลอการิทึมเปลี่ยน). 8 ที่ขาดหายไปค่าแอตทริบิวต์: ไม่มี

ผลลัพธ์ (ไทย) 3:

ขออ้างอิง :
ชุดข้อมูลนี้เป็นสาธารณะสามารถใช้ได้สำหรับการวิจัย รายละเอียดจะอธิบายในคอร์เตซและ Morais [ 2007 ]
กรุณาใส่อ้างอิงนี้ถ้าคุณวางแผนที่จะใช้ฐานข้อมูลนี้ :

หน้าคอร์เตซและอ. Morais . เป็นเหมืองข้อมูลวิธีการทำนายการเผาป่า การใช้ข้อมูลทางอุตุนิยมวิทยา
J . F . Santos ใน เนวิส , เอ็มเจ มาชาโดแผนที่และแนวโน้มใหม่ในปัญญาประดิษฐ์
รายงานการประชุมทางวิชาการ ครั้งที่ 13 epia 2007 - โปรตุเกส ในการประชุมปัญญาประดิษฐ์ , ธันวาคม ,
Guimaraes , โปรตุเกส , pp . 512-523 2007 ปปิอา isbn-13 , 978-989-95618-0-9 .
ของที่ : http : / / www.dsi . uminho . PT / ~ pcortez / ไฟ . pdf

1 ชื่อเรื่อง : ป่าไฟ

2 แหล่ง
สร้างโดย : เปาโล คอร์เตซ และ มาร์ติน บัล Morais ( มหาวิทยาลัย มินโฮ ) @ )

3 การใช้ในอดีต :

หน้าคอร์เตซและอ. Morais .เป็นเหมืองข้อมูลวิธีการทำนายไฟป่าโดยใช้ข้อมูลอุตุนิยมวิทยา .
ในการดําเนินการของ 13 epia 2007 - โปรตุเกส ในการประชุมปัญญาประดิษฐ์
ธันวาคม , 2007 ( http : / / www.dsi . uminho . PT / ~ pcortez / ไฟ . pdf )

ในการอ้างอิงเหนือ , ออกพื้นที่ " " แรกเปลี่ยนกับ LN ( x 1 ) ฟังก์ชัน .
แล้ววิธีการเหมืองข้อมูลหลายคนใช้ หลังจากการปรับรุ่นผลคือ
โพสต์การประมวลผลด้วยความผกผันของ ln ( x 1 ) เปลี่ยน สี่การตั้งค่า Input ต่างกัน
ใช้ . การทดลองใช้ 10 เท่า ( ข้ามการตรวจสอบ ) x 30 วิ่ง 2
) วัดวัด : บ้าและ RMSE . เป็นเกาส์สนับสนุนเวกเตอร์เครื่องจักร ( SVM ) เลี้ยง
มีเพียง 4 ตรงสภาพอากาศ ( อุณหภูมิความชื้นสัมพัทธ์ , ลมและฝน ) ได้รับค่าโกรธที่ดีที่สุด :
- - 001 ( ค่าเฉลี่ยและช่วงความเชื่อมั่น 95% โดยใช้การกระจายภายใน t-student ) วิธีที่ดีที่สุดบรรลุโดยการปฏิบัติ
หมายถึงไร้เดียงสา การวิเคราะห์การถดถอยกับข้อผิดพลาดโค้ง
( REC ) พบว่าแบบจำลองคาดการณ์ SVM ตัวอย่างภายในลดลง ยอมรับข้อผิดพลาด ผล
SVM รุ่นไฟเล็ก ๆที่ดีกว่าคาดการณ์ ซึ่งส่วนใหญ่

4 . ข้อมูลที่เกี่ยวข้อง :

นี่คืองานขั้นตอนที่ยากมาก มันสามารถใช้วิธีการทดสอบการถดถอย นอกจากนี้
มันอาจจะใช้เพื่อทดสอบวิธีการตรวจสอบค่าผิดปกติเพราะมันไม่ชัดเจนเท่าไหร่
เมื่อมี . แต่จำนวนของตัวอย่างของไฟที่มีขนาดใหญ่พื้นที่เผามีขนาดเล็กมาก

5 หมายเลขของอินสแตนซ์ : 517

6 จำนวนของแอตทริบิวต์ : 12 ออก

หมายเหตุ : คุณลักษณะหลายแอตทริบิวต์อาจจะมีความสัมพันธ์กัน ดังนั้นจึงทำให้รู้สึกที่จะใช้บางประเภทของการเลือกคุณลักษณะ


7 ข้อมูลคุณสมบัติ :

สำหรับข้อมูลเพิ่มเติม โปรดอ่าน คอร์เตซและ Morais [ 2007 ] .

1 . X - แกนพื้นที่ประสานงานภายใน montesinho ปาร์คแผนที่ : 1 ถึง 9
2 Y - Y ( ประสานงานภายใน montesinho ปาร์ค แผนที่ 2 9
3 เดือน - เดือนแห่งปี " แจน " กับ " ธันวาคม "
4วัน - วันของสัปดาห์ : " มอญ " กับ " ซัน "
5 ffmc - ffmc ดัชนีจากระบบ fwi : 18.7 กับ 96.20
6 DMC DMC - ดัชนีจากระบบ fwi : 1.1 เพื่อ 291.3
7 DC - DC ดัชนีจากระบบ fwi : 7.9 ถึง 860.6
8 เอส - เอสดัชนีจากระบบ fwi : 0.0 ถึง 56.10 ประกอบอาชีพเกษตรกรรมเป็นอาชีพหลัก
9 อุณหภูมิ - อุณหภูมิองศาเซลเซียส : 2.2 36.61
10 Rh - ความชื้นสัมพัทธ์ใน % : 15.0 100
11 ลม - ความเร็วลมใน km / h : 040 ถึง 9.40
12 ฝน ฝน ฝน ฝน ฝน ใน - นอก mm / m2 : 0.0 6.4
13 พื้นที่ - การเผาพื้นที่ป่า ( ฮา ) : 0.00 ถึง 1090.84
( output ตัวแปรเป็นเบ้ ต่อ 0.0 , ดังนั้นจึงอาจทำให้รู้สึก
รุ่นกับลอการิทึมแปลง )

8 ไม่มีพลาดค่าแอตทริบิวต์