Razvrščanje z uporabo uteženega ansamblaILC, NEJC (Avtor) Dobnikar, Andrej (Mentor) Ključne besede: razvrščanje v gručenenadzorovano učenjemetode uteženega ansamblaocenjevanje razvrstitevgenerator umetnih podatkovRazvrščanje podatkov v gruče je slabo pogojeni problem in dokazano je, da algoritem, ki bi izpolnjeval vse predpostavke dobrega razvrščanja, ne obstaja. To je glavni razlog za obstoj velikega števila algoritmov za razvrščanje, ki temeljijo na raznovrstnih teoretičnih osnovah – med njimi je tudi znan algoritem Kohonenove samo-organizirajoče mreže (SOM). Na žalost nam naučena mreža SOM ne ponudi eksplicitno izražene strukture gruč v podatkih, zato navadno posegamo uporabimo dodaten korak, na katerem združujemo posamezne enote mreže v gruče. V disertaciji predstavljamo doprinos k dvonivojskemu razvrščanju z mrežo SOM, pri čemer uporabljamo principe zakona gravitacije. Predlagan algoritem za gravitacijsko razvrščanje samo-organizirajoče mreže (gSOM) je sposoben odkriti gruče zapletene in ne zgolj hipersferične oblike. Poleg tega algoritem gSOM sam določi število gruč v podatkih. Opravili smo primerjavo z nekaterimi drugimi tehnikami razvrščanja na umetnih in realnih podatkih. Izkaže se, da gSOM doseže obetavne rezultate, še posebej na podatkih o izraženosti genov. Algoritem, ki bi znal rešiti vse probleme razvrščanja ne obstaja, zato je koristno analizirati podatke skozi večkratno razvrščanje. Pri tem nastane množica razvrstitev in tvorijo ansambel razvrstitev. Metode ansamblov za razvrščanje so se pojavile nedavno kot učinkovit pristop k stabilizaciji in izboljšanju delovanja enostavnih algoritmov za razvrščanje. Razvrščanje z ansambli je v osnovi sestavljeno iz dveh korakov: gradnja ansambla razvrstitev z enostavnimi metodami in združevanje dobljenih rešitev v sporazumno razvrstitev podatkov. Da bi olajšali korak združevanja v sporazum, je bil predlagan postopek uteževanja razvrstitev v ansamblu, ki skuša ovrednotiti pomembnost posameznih članov ansambla. Eden od načinov za analizo pomembnosti razvrstitev (PRA) je uporaba notranjih kazalcev veljavnosti razvrstitev. Na tem področju smo napravili dva prispevka: najprej predlagamo nov notranji ocenjevalni kazalec, imenovan DNs, ki razširja Dunnov kazalec in je osnovan na iskanju najkrajših poti v Gabrielovem grafu nad podatki; drugi prispevek je povezan z nadgradnjo obstoječega pristopa uteženega ansambla z dodatnim korakom redukcije, ki sledi koraku ocenjevanja razvrstitev v ansamblu. Razvit postopek analize pomembnosti razvrstitev z redukcijo (PRAr) se obnese zadovoljivo, ko ga vključimo v tri funkcije za iskanje sporazumne razvrstitve, pri čemer vse funkcije temeljijo na principu kopičenja dokazov. V disertaciji se dotikamo vseh glavnih področij razvrščanja podatkov: ustvarjanje podatkov, analiza podatkov z enostavnimi algoritmi za razvrščanje, ocenjevanje razvrstitev z notranjimi in zunanjimi kazalci veljavnosti ter razvrščanje z ansambli s poudarkom na uteženih različicah. Vse predlagane doprinose smo primerjali s trenutno aktualnimi metodami na podatkih iz različnih problemskih domen. Rezultati kažejo na uporabnost predlaganih metod v kontekstu strojnega učenja.20162016-10-26 15:10:01Doktorsko delo/naloga86761VisID: 19241COBISS_ID: 1537246403sl