| Abstract |
Dziļie neironu tīkli ir spējīgi mašīnmācīšanās modeļi daudzos uzdevumos, taču to rezultāti var būt kļūdaini bez iespējas to prognozēt. Dziļie ansambļi ir vienkārša metode rezultātu nenoteiktības prognozēšanai, dziļajiem neironu tīkliem.
Šajā darbā tiek ieviestas dziļo ansambļu sistemātiskās nenoteiktības prognožu uzlabojošas metodes, un salīdzinātas ar literatūrā atrastām dziļo ansambļu metodēm. Salīdzinājums tiek veikts aizdevumu klasifikācijas uzdevumā, izvērtējot nenoteiktības prognozēšanu pieaugošu datu bojājumu ietekmē.
Rezultāti uzrāda ka ar ieviesto metodi, ievaddatu kolonnu gadījuma izgriešanu ansambļa biedriem, ar papildus pilno datu epohu, iespējams sasniegt 9,01% Prognozētās Pārliecības Kļūdu, stipra datu bojājuma ietekmē, kas ir zemāka vērtība par standarta dziļā ansambļa 33,56%, kā arī pārspēj pārējās metodes. Ieviestā metode, dažādu izmēru tīklu ansamblis, arī pārspēj citas metodes, ar $21,1\%$ PKK šajā gadījumā. Abas metodes arī uzrāda zemāku PKK pie visām pārējām datu bojājuma intensitātēm.
Tomēr abas šīs metodes samazina rezultātu precizitāti, bez datu bojājumiem, par respektīvi 1,00% un 0,53%.
Papildus tiek izvērtēta arī atšķirīgas apmācības datu secības ietekme uz rezultātiem, kas iegūst 27,17% PKK, bet uzlabo precizitāti par 0,42%.
Darba pamattekstā ir 60 lappuses, 12 formulas, 11 attēli, 6 tabulas, 5 pielikumi un 42 izmantotie literatūras avoti. |
