Please use this identifier to cite or link to this item: https://apothesis.eap.gr/handle/repo/32536
Title: ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ BOOSTING
Authors: ΓΚΟΤΖΗ, ΓΕΩΡΓΙΑ
Advisor: Κωτσιαντής, Σωτήριος
Keywords: μηχανική μάθηση;machine learning;ταξινόμηση;classification;δεδομένα με ανισορροπία κλάσεων;imbalanced data;Boosting;Adaboost;Logitboost;Multiboost
Issue Date: Oct-2016
Abstract: Βασική ιδέα της μεθόδου boosting αποτελεί η στάθμιση των παραδειγμάτων εκπαίδευσης σύμφωνα με τη δυσκολία της ταξινόμησης τους. Περιλαμβάνει μία επαναληπτική διαδικασία η οποία προσαρμόζει την κατανομή των παραδειγμάτων εκπαίδευσης με τέτοιο τρόπο ώστε οι ταξινομητές βάσης να εστιάζουν στα παραδείγματα που ταξινομούνται δύσκολα. Σε αυτή τη διπλωματική εργασία πραγματοποιείται μια εμπειρική σύγκριση αλγορίθμων boosting σε πραγματικά δεδομένα. Εξετάζονται ειδικές περιπτώσεις όπως δεδομένα που έχουν ανισορροπία στις κατηγορίες τους και δεδομένα στα οποία έχει προστεθεί τεχνητός θόρυβος. Δημιουργείται εμπειρικά ένα μοντέλο που μπορεί να προβλέπει για ένα άγνωστο αρχείο με βάση κάποια χαρακτηριστικά του, έναν αλγόριθμο boosting με υψηλή ακρίβεια ταξινόμησης για το συγκεκριμένο αρχείο.
Appears in Collections:ΠΛΣ Διπλωματικές Εργασίες

Files in This Item:
File Description SizeFormat 
DE_Gkotzi_std82058.pdfΚυρίως σώμα διπλωματικής4.4 MBAdobe PDFView/Open
DE_Final_Report_Gkotzi_std82058.zipΣυνοδευτικό υλικό9.01 MBUnknownView/Open


Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.