| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Uz kokiem balstītu mašīnmācīšanās metožu salīdzinājums klasifikācijas uzdevumiem ar dažādām datu kopu īpašībām |
| Nosaukums angļu valodā |
Comparison of Tree-Based Machine Learning Methods for Classification Tasks with Different Dataset Characteristics |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Ilze Birzniece |
| Recenzents |
Jurijs Čižovs |
| Anotācija |
Uz kokiem balstītas mašīnmācīšanās (ML) metodes tiek plaši izmantotas klasifikācijas uzdevumos ar tabulveida datiem to interpretējamības, elastīguma un spēcīgas prognozēšanas veiktspējas dēļ. Tomēr šādu metožu veiktspēju lielā mērā ietekmē datu kopu raksturlielumi, tostarp datu kopas lielums, klašu nelīdzsvarotība un klašu tips (binārā un daudzklasu) klasifikācijas uzdevumos. Neskatoties uz to popularitāti, ir veikti tikai nedaudzi sistemātiski pētījumi, kuros kopīgi analizēta šo faktoru ietekme uz dažādiem uz kokiem balstītiem algoritmiem. Darbā ir sniegta septiņu uz kokiem balstītu algoritmu salīdzinošā analīze: Classification and Regression Trees (CART), Random Forest (RF), Extra Trees (ET), Gradient Boosting (GB), XGBoost, LightGBM un CatBoost. Binārās un daudzklasu klasifikācijas gadījumus pārstāvēja četras datu kopas, un datu kopu varianti tika izveidoti kontrolētos apstākļos, sistemātiski mainot datu kopas lielumu un klašu nelīdzsvarotību. Rezultāti liecina, ka uz pastiprināšanu balstītās metodes, jo īpaši CatBoost, konsekventi demonstrēja visstabilāko un visaugstāko prognozēšanas veiktspēju testētajos apstākļos.
Šī darba galvenais rezultāts ir praktisks modeļu atlases ietvars klasifikācijas uzdevumiem attiecībā uz datu kopas lielumu, klašu nelīdzsvarotību un klašu tipu. Tas ir paredzēts datu zinātniekiem un ML inženieriem, kuriem nepieciešams empīriski pamatots pamats, lai prioritizētu kandidātmetodes no uz kokiem balstītām metodēm jaunās datu kopās.
Darbs sastāv no 4 nodaļām, 73 lappusēm, 10 formulām, 11 tabulām, 19 attēliem, 5 pielikumiem un 147 atsaucēm.
Darba veids: 1 (pašreizējo risinājumu izpēte) |
| Atslēgas vārdi |
Uz kokiem balstīta mašīnmācīšanās, Lēmumu koku algoritmi, Ansambļu mācīšanās algoritmi, Klasifikācija, Datu kopu raksturlielumi, Metožu salīdzinājums |
| Atslēgas vārdi angļu valodā |
Tree-based machine learning, Decision tree algorithms, Ensemble learning algorithms, Classification, Dataset characteristics, Methods comparison |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
21.05.2026 10:36:47 |
