magistrsko delo

Povzetek

V magistrskem delu smo razvili metodo FS-BPSO, ki združuje postopek izbire atributov z algoritmom optimizacije z rojem delcev. Glavni namen te metode je njena uporabnost pri reševanju naslednjega dobro znanega problema. Ko so v podatkovni množici primerki z ogromnim številom atributov, je med njimi težko najti tiste, ki so najbolj informativni oziroma reprezentativni. Tega problema smo se lotili s predlaganim hibridnim algoritmom binarne optimizacije z rojem delcev v kombinaciji s klasifikacijskimi metodami C4.5, Naive Bayes in SVM v cenitveni funkciji za izbiro informativnih atributov. Dobljeni rezultati so statistično analizirani in razkrivajo, da predlagani hibridni algoritem prekaša znane klasifikacijske metode C4.5, Naive Bayes in SVM.

Ključne besede

računalniška inteligenca;umetna inteligenca;optimizacija z rojem delcev;klasifikacija;magistrske naloge;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.09 - Magistrsko delo
Organizacija: UM FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Založnik: L. Brezočnik
UDK: 004.89(043.2)
COBISS: 20148502 Povezava se bo odprla v novem oknu
Št. ogledov: 1150
Št. prenosov: 207
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: PARTICLE SWARM OPTIMIZATION IN FEATURE SELECTION FOR CLASSIFICATION
Sekundarni povzetek: In this master's thesis, we have developed an FS-BPSO method that joins a feature selection procedure with a particle swarm optimization algorithm. The main purpose of this method is its usability in addressing the following well-known problem: When there are instances with a huge number of attributes in a data set, it is hard to select the most representative ones among them. In order to cope with this problem, we propose the use of a hybrid binary particle swarm optimization algorithm combined with C4.5, Naive Bayes, and SVM as the classifiers in the fitness function for the selection of informative attributes. The results obtained were statistically analysed and revealed that the proposed algorithm outperformed known classifiers, e.g. C4.5, Naive Bayes, and SVM.
Sekundarne ključne besede: computational intelligence;particle swarm optimization;feature selection;classification;
URN: URN:SI:UM:
Vrsta dela (COBISS): Magistrsko delo/naloga
Komentar na gradivo: Univ. v Mariboru, Fak. za elektrotehniko, računalništvo in informatiko, Informatika in tehnologije komuniciranja
Strani: X, 95 f.
ID: 9160761