20.500.12556/RUL-148393 Feature selection by combining feature importance and redundancy estimates Izbiranje značilk s kombiniranjem ocen njihove pomembnosti in redundance Feature selection is a crucial task in the process of building predictive models in machine learning. Understanding which data is relevant for our problem and what feature selection method is most compatible with our data is of vital importance to achieve good results. The goal of this thesis was to develop and implement software for feature selection in the machine learning task of classification, based on the maximum relevance minimum redundancy (MRMR) approach. We aimed to create a software which can be used with different measures of relevance and redundancy. This software is then used to compare the performance of the developed approach (choosing k features with the MRMR approach) to the performance of the classical filtering approach, where the top k features with highest relevance are selected (and their redundancy is ignored). We analyze the results and draw conclusions from them. With appropriate relevance and redundancy measures, the MRMR approach can perform much better than the filtering approach. Izbira značilk je ključna naloga v procesu izgradnje vsakega napovednega modela v strojnem učenju. Razumevanje, kateri podatki so pomembni za naš problem in katera metoda izbire značilk je najbolj kompatibilna z našimi podatki, je bistvenega pomena za doseganje dobrih rezultatov pri vsakem problemu nadzorovanega učenja. Cilj te naloge je bil razviti in implementirati programsko opremo za izbiro značilk pri nalogi strojnega učenja, natančneje klasifikaciji, na podlagi pristopa največje pomembnosti in najmanjše redundance (MRMR). Naš cilj je ustvariti programsko opremo, ki se lahko uporablja za izbiro značilk različnimi merami relevantnosti in redundance. To programsko opremo smo nato uporabili za primerjavo uspešnosti razvitega pristopa, kjer k značilk, izberemo z MRMR, z uspešnostjo pristopa filtriranja, pri katerem se izbere k najpomembnejših značilk z največjo pomembnostjo (in se ne upošteva njihova redundanca). Analiziramo rezultate, primerjamo in iz njih potegnemo zaključke. z ustrezno izbiro mer pomembnosti in redundance lahko metoda MRMR deluje veliko boljše. feature selection machine learning maximum relevance minimum redundancy classification predictive model izbira značilk strojno učenje največja pomembnost najmanjša redundanca klasifikacija napovedni modeli true false false Angleški jezik Slovenski jezik Diplomsko delo/naloga 2023-08-21 17:23:43 2023-08-21 17:23:43 2023-11-13 12:28:07 0000-00-00 00:00:00 2023 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 36692 158150403 Najdova_Elena_-_Izbiranje_znacilk_s_kombiniranjem_ocen_njihove_pomembnosti_in_redundance.pdf Najdova_Elena_-_Izbiranje_znacilk_s_kombiniranjem_ocen_njihove_pomembnosti_in_redundance.pdf 1 7E9BE8A8F6782BA7EBF462689DB13538 4ad48630ad6d520c4894e8d5109d0397c38a71e3e2da9b4057481f50de681cd2 abbb5c83-4036-11ee-b9d7-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=172610 Fakulteta za računalništvo in informatiko 0 0 0