delo diplomskega seminarja
Sara Bizjak (Avtor), Ljupčo Todorovski (Mentor)

Povzetek

Ideja strojnega učenja ansamblov je zgraditi napovedni model z združevanjem večih modelov, kar pripomore k manjšanju napovedne napake. Ena ključnih komponent ansambla je funkcija za kombiniranje napovedi osnovnih modelov. V diplomskem delu obravnavamo dva tipa funkcij za kombiniranje napovedi klasifikacijskih modelov. Prvi je večinsko glasovanje, kjer vsi osnovni modeli enako prispevajo k napovedi ansambla. Drugi pa je uteževanje prispevka osnovnih modelov na osnovi njihove zmogljivosti. Ti dve funkciji kombiniranja implementiramo v programskem jeziku R in ju primerjamo na izbrani podatkovni množici.

Ključne besede

strojno učenje;nadzorovano strojno učenje;klasifikacija;homogeni ansambli;naključni gozd;kombiniranje napovedi;uteževanje na osnovi zmogljivosti;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UL FU - Fakulteta za upravo
Založnik: [S. Bizjak]
UDK: 004.8
COBISS: 58738435 Povezava se bo odprla v novem oknu
Št. ogledov: 1351
Št. prenosov: 346
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: Techniques for combining predictions in machine learning ensembles
Sekundarni povzetek: Machine learning of ensembles aims at reducing the predictive error by integrating multiple models into a single one. One of the key components of algorithms for ensemble learning is combining predictions of the base models. In the thesis, we take a closer look at two functions for combining predictions. The first is majority voting, where all the base models contribute equally to the ensemble prediction. The other is performance weighting, where the contribution of a base model to the ensemble prediction is proportional to the model performance. Combination functions are also implemented in R and tested on a selected data set.
Sekundarne ključne besede: machine learning;supervised machine learning;classification;homogeneous ensembles;random forest;combining predictions;performance weighting;
Vrsta dela (COBISS): Delo diplomskega seminarja/zaključno seminarsko delo/naloga
Študijski program: 0
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za matematiko in fiziko, Oddelek za matematiko, Matematika - 1. stopnja
Strani: 31 str.
ID: 12044725
Priporočena dela: