Mitmeklassiliste tõenäosuslike klassifitseerijate kalibreerimine
Nimi
Kaspar Valk
Kokkuvõte
Klassifitseerijad ehk masinõppe mudelid, mis ennustavad klasside tõenäosusjaotust, ei ole tagatud väljastama realistlikke tõenäosuseid. Klassifitseerijat peetakse kalibreerituks, kui selle väljund on vastavuses tegeliku klassijaotusega. Kalibreeritus on eriti oluline ohutust nõudvate ülesannete puhul, kus väikesed kõrvalekalded ennustatud tõenäosuste ja tegeliku klassijaotuse vahel võivad põhjustada suurt kahju. Tavapärane lähenemine klassifitseerijate kalibreerituse parandamiseks on kasutada valideerimisandmestikku ja kalibreerimismeetodit, et õppida klassifitseerija väljundit korrigeeriv teisendus. See lõputöö uurib mitme väljundklassiga klassifitseerijate kalibreerimismeetodeid: mitmeid olemasolevaid meetodeid visualiseeritakse ja võrreldakse; ning pakutakse välja kolm uut mitteparameetrilist kalibreerimismeetodit. Töös näidatakse, et väljapakutud meetodid töötavad hästi vähemate klassidega andmestikel, suutes mõnel korral ületada tugevamaid konkurente. Kõigi kolme väljapakutud algoritmi aluseks on eeldus, et kalibreerimisviga on tõenäosusruumi lähedastes piirkondades sarnane — eeldus, mida on varasemas kalibreerimiskirjanduses kasutatud, kuid mida pole kunagi selgelt sõnastatud. Kokkuvõtvalt pakub lõputöö täiendavat ülevaadet mitmeklassiliste mudelite kalibreerimisest ning võimaldab koostada usaldusväärsemaid klassifitseerijaid.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Meelis Kull
Kaitsmise aasta
2022