| Form of studies |
Master |
| Title of the study programm |
Information Technology |
| Title in original language |
Uz mašīnapmācības metodēm balstīta heterogēnu modeļu ansambļa izveide |
| Title in English |
Machine Learning Methods Based Heterogeneous Model Ensemble Design |
| Department |
12100 Institute of Information Technology |
| Scientific advisor |
Dr. habil. Gaļina Merkurjeva |
| Reviewer |
Dr. sc. ing. Vitālijs Boļšakovs |
| Abstract |
Maģistra darba ietvaros tika izveidoti heterogēni un homogēni ansambļi vēža klasifikācijas uzdevumam. Modeļu apmācība un ansambļu izveide ir veikta ietvarā HeuristicLab. Papildus, datu pirmapstrāde tam tiek veikta izmantojot rīku Weka. Ansambļa struktūra ir noteikta, izmantojot iegūtos modeļu apmācības rezultātus. Izveidotie ansambļi viena vēža veidam atšķiras viens no otra ar audzēju marķieru izmantošanu pusē no ansambļiem klasifikācijas modeļi neizmanto audzēju marķierus kā ieejas mainīgos modeļu apmācībā.
Maģistra darbā ir apskatīti ansambļa modelēšanas koncepti, detalizēti aprakstot ansambļu izmantošanas pamatus, ansambļa izveides procedūru un ansambļa modelēšanas praktisko izmantošanu. Modelēšanas metožu pārskats iekļauj mašīnapmācības metožu aprakstu, kurā ir ģenētiskie algoritmi un to speciālgadījums pēcnācēju atlases ģenētiskie algoritmi, ģenētiskā programmēšana, vektora atbalsta mašīnas, gadījuma lēmumu koku meži un mākslīgie neironu tīkli. HeuristicLab rīka izmantošana un tā piedāvātās iespējas ir aprakstītas detalizēti, iekļaujot katra algoritma parametrus un to iespējamās vērtības.
Darba ietvaros tika sastādīts modeļu apmācības plāns. Algoritmu parametri tika noteikti izmantojot šķērsvalidāciju un algoritmu parametru pētījumus, kas pieejami literatūras avotos. Apmācīto modeļu atlases procedūra ansambļa izveidei ir veikta izmantojot definēto slieksni. Vairākuma balsošana ir izmantota modeļu apvienošanai vienā ansamblī.
Iegūto rezultātu salīdzinājuma analīze ir veikta uzreiz pēc ansambļa izveides un rezultātu interpretācijas. Izveidotos heterogēnos un homogēnos ansambļus var efektīvi pielietot reālajā vēža diagnostikā.
Darba apjoms 131 lpp., 44 tabulas, 100 attēli. |
| Keywords |
ansambļa modelēšana, mašīnapmācības algoritmi, heretogēnie un homogēnie ansambļi |
| Keywords in English |
ensemble modeling, machine-learning algorithm, heterogeneous and homogeneous ensembles |
| Language |
eng |
| Year |
2014 |
| Date and time of uploading |
28.05.2014 10:47:22 |
