20.500.12556/RUL-170594 Vzporedni homogeni ansambli napovednih modelov: naključni gozd delo diplomskega seminarja Homogenous parallel ensemble methods: random forest V strojnem učenju uporabljamo ansamble napovednih modelov, da zmanjšamo napako, ki bi se pojavila ob uporabi samo enega modela. Pogosto uporabljena ansambelska metoda je naključni gozd. V diplomskem delu bomo opisali, kako naključni gozd deluje, kaj so njegove prednosti v primerjavi z odločitvenimi drevesi, na koncu pa bomo preučili vpliv raznolikosti osnovnih modelov v ansamblih na njihovo napovedno napako. In machine learning, ensembles of prediction models are used in order to reduce the error that would occur if only one model was used. A commonly used ensemble method is the random forest. The thesis will describe how the random forest functions and what its advantages are compared to decision trees. The end of the thesis will focus on the impact that the diversity of the underlying models in the ensembles has on their prediction error. strojno učenje odločitvena drevesa ansambli homogeni ansambli naključni gozdovi dekompozicija napovedne napake machine learning decision trees ensembles homogenous ensembles random forest bias-variance decomposition true false false Slovenski jezik Angleški jezik Delo diplomskega seminarja/zaključno seminarsko delo/naloga 2025-07-10 08:15:05 2025-07-10 08:15:06 2025-07-13 03:50:57 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.8 150726 242139907 18119.pdf 18119.pdf 1 A0C390427598A7C09353938ACF2B8F34 8a5b5805c18a99fb222c03b009a25d790d42909b4827595a0dc9ffc18423fb92 4fffb041-5d53-11f0-b232-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=212625 Fakulteta za matematiko in fiziko 0 0 0