Prediction of Workplace Accidents with Knowledge Discovery Approach Using Weka Software
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Every year in the world, tens of millions workers become victim of accidents that leads to killing or disabling of them. According to published statistics in the advanced industrial countries, annual from ten workers one becomes victims and as a result of such accidents to destroy five percent of national labor days. Occupational accident primary causes discomfort for the individual worker and employer and secondary causes to loss of capital and shaky economic of society foundations. Therefore predicting occupational accidents in order to plan for adoption safety standards and prevention of occupational accident is great important. So in order to predict the incidence of occupational safety and accident prevention program for drastic job is important. In this regard, the need to factories and industrial complexes to prevent accidents and to protect personnel data mining technique is clearly evident. In this reserch, using Weka software and algorithms for linear regression, loss of workers is predicted. The research findings include knowledge extraction and estimates in connection with incidents that occurred during the years 2011 to 2013 (3 years) in all production areas in Mobarakeh Steel Complex. The analysis of the statistical population consists of 2396 incident has been recorded. The results of this research indicate that the incidents management via knowledge discovery is very useful and can play an important role in the industry. In addition, the quantitative results are also reflected in the tables in the text. Key words: Workplace accidents, data mining Weka software
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle