ConfOrganizer 

بررسی عملکرد الگوریتم های یادگیری خطی در پیش بینی شدت حوادث ساختمانی

•   Mr. Ali Akbar Salarian ,  دانشگاه فردوسی مشهد ,   
•   Dr. Mansour Ghalehnovi ,  Ferdowsi Univeristy of Mashhad ,   

Major Topic: Computer Application|کاربرد کامپيوتر

Abstract

علیرغم پیشرفت‌های قابل توجه در سیستم‌های مدیریت ایمنی، صنعت ساختمان همچنان جزو صنایع حادثه‌خیز می‌باشد. معمولا نرخ حوادث شغلی در پروژه‌های ساختمانی نسبت به دیگر صنایع در اکثر کشورها بالاتر است. در حوزه پیش‌بینی حوادث، تعدادی از الگوریتم‌های یادگیری غیرخطی مورد استفاده قرار گرفته‌اند اما عملکرد الگوریتم‌های یادگیری خطی مورد ارزیابی قرار نگرفته‌اند. هدف از انجام این پژوهش، پیش‌بینی شدت حوادث ساختمانی و بررسی عملکرد الگوریتم‌های خطی از نظر میزان دقت پیش‌بینی، سرعت مدلسازی و پایداری می‌باشد. بدین منظور، دو مجموعه داده متفاوت از حوادث ساختمانی با تعداد ویژگی‌های زیاد و کم مورد تحلیل قرار گرفته‌اند. مدل‌های خطی به کار گرفته شده در این مطالعه رگرسیون ستیغی، رگرسیون لجستیک، تهاجمی منفعل و ماشین بردار پشتیبان خطی می‌باشند. در نهایت، عملکرد این مدل‌های خطی از نظر میزان دقت پیش‌بینی با یک الگوریتم پایه غیرخطی پرکاربرد به نام درخت تصمیم نیز مقایسه می‌شوند. نتایج این پژوهش نشان می‌دهد که الگوریتم ماشین بردار پشتیبان خطی بالاترین میزان دقت پیش‌بینی و پایداری را دارد و بیشترین سرعت مدلسازی نیز مربوط به الگوریتم رگرسیون ستیغی می‌باشد. همچنین، مدل‌های خطی در مجموعه داده با تعداد ویژگی‌های زیاد عملکرد بهتری دارند و در این مجموعه داده از الگوریتم درخت تصمیم نیز موفق تر ظاهر می‌شوند.

Keywords

حوادث ساختمانی; ایمنی; یادگیری خطی; طبقه بندی نظارت شده; یادگیری ماشین