Data Mining Grouping Of Drug Users By Age Using Clustering Method (Case Study: BNN Binjai City)
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
Drug trafficking and abuse is a very complex problem, which requires efforts to overcome it. Given that there are still many obstacles in the process of grouping drug users at the Binjai City BNN Office, for this reason the author tries to create a system to support a computerized grouping process that can help automatically classify drug users based on age, so there is an opportunity to design a grouping data mining system in it. Data mining is part of a computer-based information system that employs one or more computer learning techniques to analyze and extract knowledge automatically that is used to support grouping within an organization or a company. Clustering is a method that is applied to create a grouping data mining system to make it easier for staff to classify drug users based on age. Based on the analysis that has been done on grouping drug user data using the clustering, it is necessary to do the cluster several times to get the same results according to the first process. In this process, the process is carried out 10 times to obtain cluster. In cluster 1 which is 3 9 4, cluster 2 is 3 1 4, cluster 3 is 3 5 4 with the number of members of cluster 1 as much as 322 data, cluster 2 as much as 81 data and cluster 3 as much as 97 data.
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 | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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