Prediction of magnetic susceptibility class of soil using decision trees

Magnetska osjetljivost (MS) je konstanta nedimenzijske proporcionalnosti koja pokazuje stupanj magnetizacije materijala u magnetskom polja. U našem radu, cilj je predviđanje klasifikacije magnetske osjetljivosti tla primjenom algoritama za dubinsko istraživanje podataka (dobivanje korisnih, ranije nepoznatih podataka računarskom analizom velikih baza podataka). Vrijednosti magnetske osjetljivosti ovise o sastavu, veličini zrna magnetičnih minerala i njihovih izvora, litogeničnog, pedogeničnog i antropogeničnog porijekla. U radu smo primijenili dva d klasifikacijska algoritma za dubinsko istraživanje podataka nazvana ID3 i C4.5 za predviđanje vrste MS i stupnja zagađenja u području Izmir u Turskoj. Primjenom algoritama, dobivaju se moguće vrste MS prema vrijednostima koncentracije teških metala (Pb, Cu, Zn, Co, Cd, Ni). Cilj primjene algoritama je izrada dijagrama i pravila za donošenje odluka u svrhu dobivanja vrijednosti MS. Na taj način, eliminiraju se greške nastale promjenom uvjeta okoline i teškoća u mjerenju. Prema tim pravilima, dobili smo uvjete točnosti od 82 % i pokazali da su vrijednosti ispitivanja i vrijednosti mjerenja međusobno kompatibilne.
Magnetic susceptibility (MS) is a dimensionless proportionality constant that indicates the degree of magnetization of a material in response to an applied magnetic field. In our study, the focus is to predict the magnetic susceptibility classification of the soil by using data mining algorithms. Magnetic susceptibility values depend on the composition, grain size of magnetic minerals and their source, such as lithogenic, pedogenic and anthropogenic origins. In this paper, we applied two data mining classification algorithms which are called ID3 and C4.5 for predicting MS class and the degree of pollution along the Izmir area in Turkey. By applying the algorithms, possible MS classes are obtained, according to the heavy metal concentration (Pb, Cu, Zn, Co, Cd, Ni) values related to MS. The aim of applying the algorithms is constructing the decision tree and the rules so as to obtain MS values. Thus, errors resulting from the change of ambient conditions and the measurement difficulties are eliminated. According to the rules, we reached 82 % accuracy condition and it is shown that test values and the measurement values are compatible with each other.