prikaz prve stranice dokumenta Pristupi strojnog učenje u uvjetima neuravnoteženih podataka
  Preuzmi
PDF 881.72 KB
diplomski rad
Pristupi strojnog učenje u uvjetima neuravnoteženih podataka
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2019. urn:nbn:hr:217:720971
Kovačić, Maja
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Matematički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Kovačić, M. (2019). Pristupi strojnog učenje u uvjetima neuravnoteženih podataka (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:720971

Kovačić, Maja. "Pristupi strojnog učenje u uvjetima neuravnoteženih podataka." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2019. https://urn.nsk.hr/urn:nbn:hr:217:720971

Kovačić, Maja. "Pristupi strojnog učenje u uvjetima neuravnoteženih podataka." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2019. https://urn.nsk.hr/urn:nbn:hr:217:720971

Kovačić, M. (2019). 'Pristupi strojnog učenje u uvjetima neuravnoteženih podataka', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 26.11.2024., https://urn.nsk.hr/urn:nbn:hr:217:720971

Kovačić M. Pristupi strojnog učenje u uvjetima neuravnoteženih podataka [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2019 [pristupljeno 26.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:720971

M. Kovačić, "Pristupi strojnog učenje u uvjetima neuravnoteženih podataka", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2019. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:720971

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:720971
Podaci o radu
NaslovPristupi strojnog učenje u uvjetima neuravnoteženih podataka
AutorMaja Kovačić
MentorTomislav Šmuc (mentor)
Član povjerenstvaTomislav Šmuc (predsjednik povjerenstva)
Član povjerenstvaPavle Pandžić (član povjerenstva)
Član povjerenstvaFilip Najman (član povjerenstva)
Član povjerenstvaGoran Muić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Matematički odsjek)
Zagreb
Datum i država obrane2019-12-04, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Sažetak
Pretpostavka u problemima klasifikacije jest da je broj primjera među različitim klasama podjednak, što nije slučaj u problemima iz stvarnog svijeta. Taj problem je poznat kao učenje u uvjetima neuravnoteženih podataka. Učenje u takvim uvjetima nailazi na mnoge poteškoće, poput pristranosti većinskoj klasi dok je manjinska klasa od interesa. Tu su važne metode za balansiranje podataka kako bi smanjili efekt iskrivljenosti distribucije klasa. Ovdje promatramo metode prekomjernog i pod- uzorkovanja. Metode prekomjernog uzorkovanja mogu bolje inducirati klasifikatore koji su precizniji nego oni inducirani metodom pod-uzorkovanja. Te metode kombiniramo s ansamblima, kao bagging i boosting. Modifikacija ansambla uključuje tehnike za balansiranje prije učenja klasifikatora i ovdje su promatrane razne kombinacije s ciljem pronalaska najboljeg klasifikatora. U nastavku, u ovom radu provodimo eksperimentalnu evaluaciju koja uključuje pet metoda za rad s nebalansiranim podacima na deset skupova podataka s UCI repozitorija. Dalje se bavimo statističkom validacijom rezultata, te proučavanjem da li algoritmi odstupaju u performansama u odnosu na ostale.
Sažetak (engleski)
Assumption in classification problems is that number of examples in different classes is approximately equal, which is not case in real world problems. The problem is known as learning in conditions of imbalanced data. Learning in such conditions encounters many difficulties, such as bias to the majority class while minority class is interested one. There are important methods for balancing data to minimize skewness of class distribution. Here are observed over-sampling and under-sampling methods. Over-sampling methods can better induce classifier which are more accurate than those induced by under-sampling methods. These methods are combined with ensembles, such as bagging and boosting. Ensemble modification includes balancing techniques before learning the classifiers and here are given different combinations with best classifier purpose. In addition, in this work we perform a board experimental evaluation involving five methods to deal with class imbalanced problems in ten UCI datasets. We are further concerned on statistical validation of results and by examining whether algorithms differ in performance compared to others.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:720971
Studijski programNaziv: Matematička statistika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra matematike (mag. math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2020-07-03 13:08:51