Hinnatundlik klassifitseerimine sügavate tehisnärvivõrkutega
Nimi
Andreas Baum
Kokkuvõte
Traditsiooniliselt on klassifitseerimise eesmärk võimalikult täpne objektide klassifitseerimine. Selline lähenemine eeldab, et kõikide eksimuste hind on ühesugune. Tegelikult paljudes rakendustes vigade hinnad erinevad. Sellistes olukordades tuleb kasuks valede ennustuste hindasid arvestada ja luua klassifitseerija, mis üritaks teha ennustusi nii, et ennustuste lõpphind oleks võimalikult väike. Varasemalt on avaldatud väga vähe selliseid teadusartikleid, mis keskenduksid hinnatundlikule klassifitseerimisele kasutades tasakaalustatud andmestikke. Hinnatundlik treenimine on varasemalt kasutust leidnud eeskätt klasside mittetasakaalulisuse probleemi lahendamisel. Kuna hinnatundliku õppimise algprobleem on väga sarnane klasside mittetasakaalulisuse probleemiga, siis me põhiliselt toetume selle valdkonna varasematele töödele.
Selle lõputöö eesmärgiks on katsetada erinevaid hinnatundlike klassifitseerijaid ja proovida teha ennustusi nii, et nende koguhind oleks võimalikult väike. Lõputöö käigus on proovitud tehisnärvivõrgu ennustusi hinnatundlikuks teha kasutades ennustatud tõenäosusi. Lisaks sellele on proovitud ülevalimist, alavalimist ja klassi kaalude kasutamist kahjufunktsioonis. Neid hinnatundlikke lähenemisi on katsetatud 3 erineva keerukusega andmestiku peal kasutades nii kahte, kui ka kümmet klassi ja kolme erinevat hinnamaatriksi tüüpi. Töö käigus saadud tulemused näitavad et kõik kasutatud hinnatundlikud lähenemised aitavad vähendada ennustuste koguhinda võrreldes tavalise tehisnärvivõrguga. Nii kahe kui kümne klassi puhul on kõige paremad tulemused saadud kasutades
ülevalimise ja hinnatundlikku ennustuse muutmise kombinatsiooni.
Selle lõputöö eesmärgiks on katsetada erinevaid hinnatundlike klassifitseerijaid ja proovida teha ennustusi nii, et nende koguhind oleks võimalikult väike. Lõputöö käigus on proovitud tehisnärvivõrgu ennustusi hinnatundlikuks teha kasutades ennustatud tõenäosusi. Lisaks sellele on proovitud ülevalimist, alavalimist ja klassi kaalude kasutamist kahjufunktsioonis. Neid hinnatundlikke lähenemisi on katsetatud 3 erineva keerukusega andmestiku peal kasutades nii kahte, kui ka kümmet klassi ja kolme erinevat hinnamaatriksi tüüpi. Töö käigus saadud tulemused näitavad et kõik kasutatud hinnatundlikud lähenemised aitavad vähendada ennustuste koguhinda võrreldes tavalise tehisnärvivõrguga. Nii kahe kui kümne klassi puhul on kõige paremad tulemused saadud kasutades
ülevalimise ja hinnatundlikku ennustuse muutmise kombinatsiooni.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Meelis Kull
Kaitsmise aasta
2020