prikaz prve stranice dokumenta Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja
Access restricted to students and staff of home institution
master's thesis
Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja
Zagreb: University of Zagreb, Faculty of Economics and Business, 2023. urn:nbn:hr:148:243747
Krišto, Kristian
University of Zagreb
Faculty of Economics and Business
Department of Informatics

Institutional repository: REPEFZG

Cite this document

Krišto, K. (2023). Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Economics and Business. Retrieved from https://urn.nsk.hr/urn:nbn:hr:148:243747

Krišto, Kristian. "Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja." Master's thesis, University of Zagreb, Faculty of Economics and Business, 2023. https://urn.nsk.hr/urn:nbn:hr:148:243747

Krišto, Kristian. "Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja." Master's thesis, University of Zagreb, Faculty of Economics and Business, 2023. https://urn.nsk.hr/urn:nbn:hr:148:243747

Krišto, K. (2023). 'Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja', Master's thesis, University of Zagreb, Faculty of Economics and Business, accessed 24 January 2025, https://urn.nsk.hr/urn:nbn:hr:148:243747

Krišto K. Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Economics and Business; 2023 [cited 2025 January 24] Available at: https://urn.nsk.hr/urn:nbn:hr:148:243747

K. Krišto, "Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja", Master's thesis, University of Zagreb, Faculty of Economics and Business, Zagreb, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:148:243747

Metadata
TitleUsporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja
Title (english)Comparison of the effects of methods for reducing data imbalance on the accuracy of classification algorithms in machine learning
AuthorKristian Krišto
MentorMirjana Pejić Bach (mentor)
Committee memberMirjana Pejić Bach (predsjednik povjerenstva)
Committee memberNikola Vlahović (član povjerenstva)
Committee memberKatarina Ćurko (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Economics and Business
(Department of Informatics)
Zagreb
Defense date and country2023-09-29, Croatia
Scientific / art field,
discipline and subdiscipline		SOCIAL SCIENCES
Economics
Business Informatics
Abstract
Veliki faktor kvalitete algoritama strojnog učenja su podaci. Njihova količina i kvaliteta su često bitniji od algoritma koji se koristi. Disbalansirani skupovi podataka nastaju prirodno i imaju izrazito negativan učinak na točnost klasifikacijskih algoritama strojnog učenja koji su na njima trenirani. Kao svojevrsni lijek, postoje različite metode za ublažavanje disbalansa podataka. Teorijski dio rada predstavlja strojno učenje, popularne algoritme, mjere točnosti kao i disbalansirane skupove podataka, njihove izazove te metode za njihovo ublažavanje. U praktičnom dijelu rada se analiziraju efekti tri takve metode na konačnu točnost algoritma. Analiza se provodi koristeći tri skupa podataka i četiri algoritma strojnog učenja kako bi rezultati bili što značajniji. Rad završava zaključkom o tome koju metodu koristiti s obzirom na dani skup podataka i algoritam.
Abstract (english)
Data has a large impact on the quality of machine learning algorithms. It's quantity and quality is often times more important than the choice of algorithm itself. Imbalanced datasets occur naturally and impact the accuracy of classification algorithms in a extremely negative way. To combat this, scientists came up with methods for reducing data imbalance. The theoretical part of this thesis consists of machine learning, popular ML algorithms, accuracy measures as well as imbalanced datasets, their main challenges and the methods used for reducing their imbalance. The practical part focuses on analyzing the effects of three such methods on the final algorithm accuracy. The analysis is done on three different datasets using four different algorithms in an attempt to make the results as general as possible. The thesis ends with a recommendation which method to use with a given dataset and algorithm.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:148:243747
Study programmeTitle: Business Economics
Study programme type: university
Study level: integrated undergraduate and graduate
Academic / professional title: magistar/magistra ekonomije (magistar/magistra ekonomije)
Type of resourceText
File originBorn digital
Access conditionsAccess restricted to students and staff of home institution
Terms of useLicence In copyright icon
Created on2023-10-03 09:57:43