Ocenjevanje zanesljivosti posameznih napovedi inkrementalnih modelovJavornik, Anže (Avtor) Kononenko, Igor (Mentor) inkrementalno strojno učenjeklasifikacijainkrementalno ocenjevanje zanesljivostiklasifikacijska točnostDiplomsko delo obravnava ocenjevanje zanesljivosti posameznih napovedi inkrementalnih modelov. Namen ocene zanesljivosti je obogatiti napoved modela z dodatno informacijo. Ta dodatna informacija ima lahko kritični pomen, zlasti če imajo napačne napovedi lahko hude posledice. Klasični modeli napovedovanja so zgrajeni na primerih problematike, za katero podajajo svojo napoved. Klasične metode ocenjevanja zanesljivosti se gradijo na podoben način na primerih, ki predstavljajo učno množico modelu napovedovanja. Na tak način zgrajeni modeli in ocene zanesljivosti so na kratek rok uspešni. V daljšem obdobju uporabe pa najverjetneje pride do sprememb pravil v problematiki, ki negativno vplivajo na uspešnost klasičnih napovednih modelov in ocen zanesljivosti. V realnosti je večina problematik takih, da se pravila v njih spreminjajo. Grajenje novih klasičnih modelov za prilagajanje problematiki je zamudno ali sploh ne pride v poštev, če je podatkovni tok tak, da lahko primer vidimo samo enkrat – npr. mrežna komunikacija. Za analizo takih problemskih domen se zato odločimo za uporabo inkrementalnih modelov napovedovanja, ki se znajo prilagajati spremembam pravil problematike. V diplomskem delu predstavimo tri znane metode ocenjevanja zanesljivosti in predlagamo njihove različice z inkrementalnim značajem. Znane metode in razvite različice smo preizkusili na dvaindvajsetih fiksnih množicah in osmih podatkovnih tokovih (generatorjih) brez zamika in z zamikom, ki nam predstavlja spremembo pravil v problemski domeni. Dobljene ocene smo statistično obdelali. Pri statistični analizi nas je zanimala statistična značilnost korelacije dejanske napake z oceno. V tem delu pridobljeni rezultati kažejo, da predlagane inkrementalne metode ocenjevanja zanesljivosti ponujajo skoraj enake rezultate kot klasične metode na fiksnih problemskih domenah in mnogo boljše rezultate pri podatkovnih tokovih, še posebej pri tokovih z zamikom. Najboljše rezultate nudi ocena iCNK. Dobre rezultate nudi tudi ocena iBAGV. Inkrementalna različica ocene LCV, iLCV, pa ne odstopa od svoje klasične različice.20162016-08-23 12:40:05Diplomsko delo84437VisID: 17783sl