Izboljšave metode globokih naključnih gozdovKlemen, Matej (Avtor) Robnik Šikonja, Marko (Mentor) globoko učenjegloboki naključni gozdoviansamblizrnato skeniranjekaskada gozdovzlaganje modelovNa področju globokega učenja je vodilna metoda globokih nevronskih mrež. Te za učenje potrebujejo veliko podatkov, njihova uspešnost pa je odvisna od uporabljenih parametrov. Ena izmed alternativ je model globokih naključnih gozdov. V delu s svojo implementacijo algoritma globokih naključnih gozdov preverimo ponovljivost rezultatov originalnega članka (Zhou in Feng, 2017). Raziščemo, ali lahko napovedno točnost modela izboljšamo z dodajanjem gozdov naključnih podprostorov ali z uporabo zlaganja za kombiniranje napovedi modelov zadnjega nivoja kaskade gozdov. Osnovni implementaciji ter implementacijo z našimi dodatki testiramo na petih podatkovnih množicah in predstavimo dosežene rezultate. Z zlaganjem na vseh podatkovnih množicah dosežemo enako oziroma boljšo povprečno napovedno točnost. Gozdovi naključnih podprostorov na treh podatkovnih množicah dosežejo slabše, na dveh pa boljše rezultate od osnovnega algoritma.20182018-09-17 13:00:08Diplomsko delo/naloga103415VisID: 21921sl