Tytuł pozycji:
Predictive data mining models in the tests of propelling charges
In the article, in the introduction, the concept of predictive data mining models and was defined and the purpose of the article was specified. Then, the method of building predictive models was characterized and the elements of ammunition were indicated, the test results of which were prepared for the building of models, and the types of ammunition in which the propellant charge is present were indicated. The results of building four data mining models are presented. Predictive models for C&RT, CHAID and exhaustive CHAID decision trees were designed and built. The fourth model analyzed was the SANN model, i.e. the model of neural networks. For each of the tree models, a schema of the designed tree, the rate of false predictions and the parameters of goodness of fit of the built models are shown. For the SANN model, the parameters of the selected neural network were additionally characterized. An analysis of the built models was made and, based on the obtained results, the best designed predictive data mining model was indicated. At the end, the graphical form of the workspace predefined by the GC Advanced Comprehensive Classifiers project is shown.
W artykule we wstępie zdefiniowano pojęcie predykcyjnych modeli data mining oraz określono cel artykułu. Następnie, scharakteryzowano metodę budowy modeli predykcyjnych oraz wskazano elementy amunicji, których wyniki badań zostały przygotowane do budowy modeli a także wskazano rodzaje amunicji w których występuje przedmiotowy ładunek miotający. Przedstawiono wyniki budowy czterech modeli predykcyjnych data mining. Zaprojektowano oraz zbudowano predykcyjne modele dla drzew decyzyjnych typu C&RT, CHAID oraz wyczerpujący CHAID. Czwartym analizowanym modelem był model SANN czyli model sieci neuronowych. Dla każdego z modeli drzew przedstawiono schemat zaprojektowanego drzewa, stopę błędnych przewidywań oraz pokazano parametry dobroci dopasowania zbudowanych modeli. Dla modelu SANN scharakteryzowano dodatkowo parametry wybranej sieci neuronowej. Dokonano analizy zbudowanych modeli oraz na podstawie otrzymanych wyników, wskazano najlepszy zaprojektowany predykcyjny model data mining. Na końcu pokazano graficzną postać przestrzeni roboczej predefiniowaną projektem GC Advanced Comprehensive Classifiers.
Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).
