Implementation of an intelligent clustering methodology for classification of terrorist acts
Notice bibliographique
Résumé
Terrorist acts have elevated the level of violence, intimidation and pose a threat to life/property, peace and security in the world today. Deployed solutions to curb the occurrence of terrorism prove to be of insignificant value, hence there is the need for more solutions. The research aims at implementing an intelligent clustering methodology for classification of the acts of terrorism in Nigeria. Three experiments were carried out. In the first experiment, the qualitative terrorists data attributes were converted to quantitative attributes using an existing One-of-N (OoN) method and the processed data supplied to Adaptive Neuro-Fuzzy Inference System (ANFIS) (OoN-ANFIS) for training. The second experiment converted the qualitative data attributes to quantitative attributes using the formulated Rank-Frequency-Based (RFB) model before the data was supplied to ANFIS (RFB-ANFIS) for training. In the third experiment, which constitutes the current study, the RFB-processed data was used by Fuzzy C Means (FCM) to generate initial membership values for each point in the data set and then supplied to ANFIS (RFB-FCMANFIS). The results show that RFB-FCMANFIS model generated the least Root Mean Square Error (RMSE), Mean Absolute Error (MAE), training error and checking error of 0.002887, 0.004598, 0.0000713 and 0.0056155 respectively with the highest correlation coefficient of 0.99954, therefore indicating a superior classification capability using the RFB-FCMANFIS.
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.
Comment cette classification a été obtenuedéplier
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 | 0,008 | 0,001 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».