پیش بینی میزان آلودگی فلزات سنگین در رسوبات رودخانه گرگانرود با استفاده از داده کاوی

به منظور پیش بینی میزان آلودگی فلزات سنگین در رسوبات رودخانه گرگانرود با استفاده از داده کاوی، در طول رودخانه گرگان رود نمونه های رسوبی در دو فصل (بهار و تابستان) و در 10 ایستگاه با سه تکرار نمونه برداری گردید. پس از آنالیز دستگاهی نمونه ها، داده های خام فلزات سنگین جمع آوری شد. سپس روش پیشنهادی مطرح گردید که شامل مراحل شروع و گردآوری داده ها، پیش پردازش داده ها ، ساخت مدل و همچنین ارزیابی و خروجی می باشد. در مرحله ساخت مدل، ساخت طبقه‌بندی با استفاده از3 الگوریتم naive bayes و درخت تصمیم و knn انجام شد و سپس ارزیابی صورت گرفت که معیار های صحت (accuracy)، دقت (precision )، فراخوانی(recall) و خطا (error) بررسی و مقایسه گردید. در خروجی روش پیشنهادی، هر 3 الگوریتم برروی داده های مورد نظر نتایج مثبتی داشتتند. مقادیرمعیارهای صحت، دقت، فراخوانی و خطا در الگوریتم naive bayes ، به ترتیب %92، %94.44، %88.89 ،%8 بدست آمد که این مقادیر درالگوریتم naive bayes از 2 الگوریتم درخت تصمیم و knn بیشتر بود. همچنین الگوریتم knn نسبت به درخت تصمیم خروجی بهتری داشت و مقادیرصحت و دقت در این الگوریتم بیشتر از الگوریتم درخت تصمیم بدست آمد.

Estimation of Heavy Metal Contamination in Gorganroud River Sediments Using Data Mining

To estimation of heavy metals pollution in Gorganroud river sediments using data Mining, sediment was collected in two seasons (spring and summer) at 10 stations with three replications. After analyzing the samples, heavy metal data were extracted. Then proposed method was included the steps for starting and collecting data, preprocessing data, constructing the model as well as evaluation and output. construction of model was performed using 3 Naive bayes algorithms, decision tree, and k nn, and then the evaluation was carried out to evaluate the accuracy, precision, recall, and error.In the output of the proposed method, all three algorithms have positive results for our data. The values of the accuracy, precision, recall, and error for Naive bayes algorithm were 92%, 44.49%, 88.88%, 8%, respectively; the values of the Naive bayes algorithm were greater than the decision tree knn algorithm. Also, the Knn algorithm was better than the decision tree and the accuracy and accuracy of this algorithm were more than the decision tree algorithm. Thus, in this thesis, the Naive bayes algorithm showed better results with this data.