prikaz prve stranice dokumenta Klasifikacija potrošača lijekova primjenom umjetne inteligencije
Access restricted to students and staff of home institution
master's thesis
Klasifikacija potrošača lijekova primjenom umjetne inteligencije
Rijeka: University of Rijeka, Faculty of Engineering, 2020. urn:nbn:hr:190:152370
Tolja, Katarina
University of Rijeka
Faculty of Engineering
Department of Automation and Electronics
Section of Electronics, Robotics and Automation

Institutional repository: Repository of the University of Rijeka, Faculty of Engineering

Cite this document

Tolja, K. (2020). Klasifikacija potrošača lijekova primjenom umjetne inteligencije (Master's thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:152370

Tolja, Katarina. "Klasifikacija potrošača lijekova primjenom umjetne inteligencije." Master's thesis, University of Rijeka, Faculty of Engineering, 2020. https://urn.nsk.hr/urn:nbn:hr:190:152370

Tolja, Katarina. "Klasifikacija potrošača lijekova primjenom umjetne inteligencije." Master's thesis, University of Rijeka, Faculty of Engineering, 2020. https://urn.nsk.hr/urn:nbn:hr:190:152370

Tolja, K. (2020). 'Klasifikacija potrošača lijekova primjenom umjetne inteligencije', Master's thesis, University of Rijeka, Faculty of Engineering, accessed 12 June 2024, https://urn.nsk.hr/urn:nbn:hr:190:152370

Tolja K. Klasifikacija potrošača lijekova primjenom umjetne inteligencije [Master's thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2020 [cited 2024 June 12] Available at: https://urn.nsk.hr/urn:nbn:hr:190:152370

K. Tolja, "Klasifikacija potrošača lijekova primjenom umjetne inteligencije", Master's thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:190:152370

Metadata
TitleKlasifikacija potrošača lijekova primjenom umjetne inteligencije
Title (english)Classification of medication consumers using artificial intelligence methods
AuthorKatarina Tolja
MentorZlatan Car (mentor)
Committee memberIvan Volarić (predsjednik povjerenstva)
Committee memberZlatan Car (član povjerenstva)
Committee memberDario Matika (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
(Department of Automation and Electronics)
(Section of Electronics, Robotics and Automation)
Rijeka
Defense date and country2020-11-26, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Electrical Engineering
Abstract
Elaine Fehrman je u vremenskom razdoblju od ožujka 2011. do ožujka 2012. godine prikupio podatke o konzumacije lijekova. Upotrebljiv uzorak sačinjavao se od 1885 sudionika. Rad je osvrnut na 4 bitne supstance: alkohol, ecstasy, kanabis i nikotin. Za svaku supstancu će primijeniti binarna i višeklasna klasifikacija Potom se u svrhu rješavanja problema klasifikacije na bazu podataka se primjenjuju sljedeći algoritmi: višeslojni perceptron (MLP), metoda potpornih vektora (SVM) i k- najbliži susjedi (KNN). Implementiraju se različiti parametri pojedinog algoritma te se promatraju dobivene metrike. Eksperimentalni rezultati su na kraju doveli do zaključka da KNN i SVM metode postižu najviše AUC vrijednost u usporedbi s MLP metodama. Između te dvije metode ne postoje prevelike razlike u AUC vrijednostima. Taj rezultat se odnosi na binarnu klasifikaciju, kako višeklasna klasifikacija ne pridonosi efektivnom rješavanju problema klasifikacije. Eksperimentalni rezultati na višeklasnu klasifikaciju doveli su do zaključka da SVM metoda postiže najviše AUC vrijednosti.
Abstract (english)
Elaine Fehrman collected data on drug consumption in the period from March 2011 to March 2012. The usable sample consisted of 1885 participants. The paper looks at 4 essential substances: alcohol, ecstasy, cannabis and nicotine. Binary and multiclass classification are applied to each substance. The following algorithms are then applied to the database to solve the classification problem: multilayer perceptron (MLP), Support Vector method (SVM) and k-nearest neighbors (KNN). Different parameters of each algorithm are implemented and the obtained metrics are observed. The experimental results eventually led to the conclusion that KNN and SVM methods achieve the highest AUC value compared to MLP methods. There are not too large differences in AUC values between the two methods. This result refers to binary classification, as multiclass classification does not contribute to the effective solution of the classification problem. Experimental results on multiclass classification led to the conclusion that the SVM method achieves the highest AUC values.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:152370
Study programmeTitle: Graduate University Study of Electrical Engineering
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka elektrotehnike (magistar/magistra inženjer/inženjerka elektrotehnike)
Type of resourceText
File originBorn digital
Access conditionsAccess restricted to students and staff of home institution
Terms of useLicence In copyright icon
Created on2021-09-28 07:00:57