مقايسه كارايي الگوريتم هاي يادگيري ماشين نظارتي (ANN, NB و SVM) براي پيش بيني شدت تصادفات | مطالعه موردي: كشور انگلستان - سال هاي 2010 تا 2014

يكي از معضلات اجتماعي كه در سطح جهان هر ساله تعداد زيادي از مردم در جاده ها جان خود را از دست مي دهند، تصادفات وسايل نقليه است. تصادفات با دارا بودن هزينه هاي سنگين، تبعات اجتماعي و فرهنگي، جوامع بشري را تحت تأثير قرار مي دهند. در اين مقاله با در نظر گرفتن ويژگي هاي جغرافيايي، سرعت، روسازي، آب و هوايي، روشنايي، تاريخ و ساعت، هدف سفر، مشخصات وسايل نقليه و ... به طبقه بندي شدت تصادفات خفيف و شديد_منجر به مرگ رخ داده در راه هاي كشور انگلستان پرداخته شده است. در ادامه بعد از دريافت داده ها از سايت Kaggle با حدود 252 هزار ركورد و 32 متغير مستقل بين سال هاي 2010 تا 2014 از الگوريتم هاي يادگيري ماشين و زبان برنامه نويسي پايتون استفاده گرديد. نتايج نشان دادند، به ترتيب بيز ساده (كل) با دقت 75/10%، ماشين بردار پشتيبان با دقت 75/05% و شبكه عصبي با دقت 74/59% پيش بيني را با دقت مطلوبي انجام دادند. الگوريتم هاي پيشنهادي اين مقاله مي توانند توسط ادارات و سازمان هاي حمل و نقل كشور مورد تحقيق به عنوان ابزارهاي نوين براي تصميم گيري جهت بكارگيري روش هاي ايمني راه ها استفاده شود، زيرا اين مدل ها نمادي از واقعيت هستند و در شرايطي كه به دليل محدوديت هاي اقتصادي، فني و ... امكان تجربه عملي موضوعات وجود ندارد، درك چگونگي رفتار سيستم را فراهم مي سازند.