naključni gozd
Rok Lindič (Avtor), Ljupčo Todorovski (Mentor)

Povzetek

V strojnem učenju uporabljamo ansamble napovednih modelov, da zmanjšamo napako, ki bi se pojavila ob uporabi samo enega modela. Pogosto uporabljena ansambelska metoda je naključni gozd. V diplomskem delu bomo opisali, kako naključni gozd deluje, kaj so njegove prednosti v primerjavi z odločitvenimi drevesi, na koncu pa bomo preučili vpliv raznolikosti osnovnih modelov v ansamblih na njihovo napovedno napako.

Ključne besede

strojno učenje;odločitvena drevesa;ansambli;homogeni ansambli;naključni gozdovi;dekompozicija napovedne napake;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UL FMF - Fakulteta za matematiko in fiziko
Založnik: [R. Lindič]
UDK: 004.8
COBISS: 242139907 Povezava se bo odprla v novem oknu
Št. ogledov: 102
Št. prenosov: 33
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: Homogenous parallel ensemble methods: random forest
Sekundarni povzetek: In machine learning, ensembles of prediction models are used in order to reduce the error that would occur if only one model was used. A commonly used ensemble method is the random forest. The thesis will describe how the random forest functions and what its advantages are compared to decision trees. The end of the thesis will focus on the impact that the diversity of the underlying models in the ensembles has on their prediction error.
Sekundarne ključne besede: machine learning;decision trees;ensembles;homogenous ensembles;random forest;bias-variance decomposition;
Vrsta dela (COBISS): Delo diplomskega seminarja/zaključno seminarsko delo/naloga
Študijski program: 0
Komentar na gradivo: Univ. v Ljubljani, Fak. za matematiko in fiziko, Oddelek za matematiko, Finančna matematika - 1. stopnja
Strani: 29 str.
ID: 26796063