International Journal of Civil Engineering and Technology (ijciet)

2. PROPOSED WORK 
The collection of data is taken that is compatible with excel file, OpenOffice, Weka. We will 
partition this data set for training and evaluating. One data set will be used to train the neural 
network using MATLAB tool box. Here the data set will be represented as row, whet dataset 
is represented in the form of input vector id, input vector followed by target output. The 
desired output will be in the form of TRUE or FALSE with respect to each input row. The 
input rows are in the form of input vector. The input vector id is a unique id identifies the 
targeted output and input vectors in ordered identify the trained data set. The trained data set 
is been loaded into matrix of each single file which consists of input vector data matrix and 

---

Ch. Mamatha, P. Buddha Reddy, M.A. Ranjit Kumar and Shrawan Kumar
http://iaeme.com/Home/journal/IJCIET
213 
[e-mail] 
targeted output matrix. The input vector consists of 319 dimensions which are to be targeted 
for the input training data. The evaluation data set accommodates data to evaluate the data set 
which is to be trained using the trained data set. As, the Evaluation data set consists data in 
the form of rows which contains input vector id and input vector. The row is represented in 
the form as input vector id followed by input vector. The data set files are loaded in the form 
of CSV format and as the ample data set is be forwarded into matrix. The trained data set is 
collected in order to evaluate the data using evaluation data set along with the respective 
vector id and input vector. The evaluation data set ranges in the form of decimal values of 0’s 
and 1’s. Then it is followed for predictive analysis to get the accurate results within the origin. 
The origin threshold limit is used to calculate the predictions. As the trained data set leads to 
millions of data set row which in the format of CSV which are collected from different 
sources to provide accurate predictions.
Figure 1
Predictive Analysis of Huge assortment of data using Big data Analytics 
There exists huge volume of data which can produce uncertainty in the results which leads 
inaccuracy. In contempt of the data set is represented in the form of plain text there may be 
exists huge assortment of data in the form of multiple rows which can extend to millions, thus 
which become congestion to all other text editors for processing the data efficiently.