prikaz prve stranice dokumenta Stabla odlučivanja i ansambl metode
  Preuzmi
PDF 15.1 MB
diplomski rad
Stabla odlučivanja i ansambl metode
2023. urn:nbn:hr:126:389612
Robić, Pavao
Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet primijenjene matematike i informatike

Citirajte ovaj rad

Robić, P. (2023). Stabla odlučivanja i ansambl metode (Diplomski rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet primijenjene matematike i informatike. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:126:389612

Robić, Pavao. "Stabla odlučivanja i ansambl metode." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet primijenjene matematike i informatike, 2023. https://urn.nsk.hr/urn:nbn:hr:126:389612

Robić, Pavao. "Stabla odlučivanja i ansambl metode." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet primijenjene matematike i informatike, 2023. https://urn.nsk.hr/urn:nbn:hr:126:389612

Robić, P. (2023). 'Stabla odlučivanja i ansambl metode', Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet primijenjene matematike i informatike, citirano: 10.11.2024., https://urn.nsk.hr/urn:nbn:hr:126:389612

Robić P. Stabla odlučivanja i ansambl metode [Diplomski rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet primijenjene matematike i informatike; 2023 [pristupljeno 10.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:126:389612

P. Robić, "Stabla odlučivanja i ansambl metode", Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet primijenjene matematike i informatike, Osijek, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:126:389612

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:126:389612
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovStabla odlučivanja i ansambl metode
Naslov (engleski)Decision Trees And Ensamble Methods
AutorPavao Robić
MentorNenad Šuvak (mentor)
MentorNataša Šarlija (komentor)
Član povjerenstvaMirta Benšić (predsjednik povjerenstva)
Član povjerenstvaNenad Šuvak (član povjerenstva)
Član povjerenstvaNataša Šarlija (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet primijenjene matematike i informatike
Osijek
Datum i država obrane2023-10-30, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Teorija vjerojatnosti i statistika
Sažetak
Stabla odlučivanja su jako oruđe u strojnom učenju i analizi podataka. Mogu se koristit i za klasifikaciju i regresiju i korisna su kad se bavimo s kompleksnijim skupovima podataka. Prednosti stabala su jako lagano objašnjiva. Moguće ih je prikazati grafički i lagana su za interpretaciju. Lako mogu raditi s kvalitativnim prediktorima bez potrebe kreiranja dummy varijable. Nažalost, nemaju isti nivo prediktivne točnosti kao neki drugi klasifikacijski/regresijski modeli. Dodatno, nisu robustna - mala promjena u podacima može voditi generiranju potpuno drugačijeg stabla. Metodom bagginga možemo poboljšati preciznost i stabilnost u modelima stabla odlučivanja. Kod bagginga, stabla nezavisno rastu na slučajnom uzorku promatranih podataka, te imaju tendenciju međusobno sličiti. Za slučajne šume, stabla rastu kao i kod bagginga, no svaka podjela podataka se radi koristeći slučajno izabran podskup prediktora, te tako dekoreliramo stabla, te dolazimo do temeljitije podjele prediktorskog prostora u odnosu na bagging. Boosting je još jedna metoda kojoj možemo poboljšati stabla, boosting kombinira mnoge slabe modele u jedan bolji tako da se fokusira na ispravljanje grešaka prethodnih modela - poput tima strušnjaka koji uče iz svojih grešaka kako bi donijeli bolje odluke.
Sažetak (engleski)
Decision trees are a powerful tool in machine learning and data analysis. They can be used for both classification and regression and are useful when dealing with more complex data sets.The benefits of trees are very easily explained. They can be displayed graphically and are easy to interpret. They can easily work with qualitative predictors without the need to create a dummy variable. Unfortunately, they do not have the same level of predictive accuracy as some other classification/regression models. Additionally, they aren’t very robust - a small change in the data can lead to the generation of a completely different tree. Using the bagging method, we can improve precision and stability in stable decision-making models. In bagging, trees grow independently on a random sample of observed data, and tend to resemble each other. For random forests, the trees grow as in bagging, but each division of the data is done using a randomly selected subset of predictors, and thus we decorrelate the trees, and arrive at a more thorough division of the predictor space compared to bagging. Boosting is another method through which we can improve trees. Boosting combines many weak models into a strong one by focusing on fixing the errors of the previous models - like a team of experts who learn from their mistakes to make better decisions.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:126:389612
Studijski programNaziv: Matematika; smjerovi: Financijska matematika i statistika, Matematika i računarstvo, Industrijska i primijenjena matematika
Smjer: Financijska matematika i 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 pohrane2023-11-10 10:35:03