prikaz prve stranice dokumenta Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja
Pristup korisnicima matične ustanove
diplomski rad
Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja
Zagreb: Sveučilište u Zagrebu, Ekonomski fakultet, 2023. urn:nbn:hr:148:243747
Krišto, Kristian
Sveučilište u Zagrebu
Ekonomski fakultet
Katedra za informatiku

Institucijski repozitorij: REPEFZG

Citirajte ovaj rad

Krišto, K. (2023). Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Ekonomski fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:148:243747

Krišto, Kristian. "Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja." Diplomski rad, Sveučilište u Zagrebu, Ekonomski fakultet, 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." Diplomski rad, Sveučilište u Zagrebu, Ekonomski fakultet, 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', Diplomski rad, Sveučilište u Zagrebu, Ekonomski fakultet, citirano: 02.06.2024., https://urn.nsk.hr/urn:nbn:hr:148:243747

Krišto K. Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Ekonomski fakultet; 2023 [pristupljeno 02.06.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:148:243747

K. Krišto, "Usporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja", Diplomski rad, Sveučilište u Zagrebu, Ekonomski fakultet, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:148:243747

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:148:243747
Podaci o radu
NaslovUsporedba učinaka metoda za smanjenje disbalansa podataka na točnost klasifikacijskih algoritama strojnog učenja
Naslov (engleski)Comparison of the effects of methods for reducing data imbalance on the accuracy of classification algorithms in machine learning
AutorKristian Krišto
MentorMirjana Pejić Bach (mentor)
Član povjerenstvaMirjana Pejić Bach (predsjednik povjerenstva)
Član povjerenstvaNikola Vlahović (član povjerenstva)
Član povjerenstvaKatarina Ćurko (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Ekonomski fakultet
(Katedra za informatiku)
Zagreb
Datum i država obrane2023-09-29, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		DRUŠTVENE ZNANOSTI
Ekonomija
Poslovna informatika
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:148:243747
Studijski programNaziv: Poslovna ekonomija
Vrsta studija: sveučilišni
Stupanj studija: integrirani preddiplomski i diplomski
Akademski / stručni naziv: magistar/magistra ekonomije (mag.oec.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaPristup korisnicima matične ustanove
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2023-10-03 09:57:43