Vzporedni homogeni ansambli napovednih modelov: naključni gozd : delo diplomskega seminarja

Lindič, Rok (avtor), Todorovski, Ljupčo (mentor)

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.

• Jezik: Slovenski jezik
• Ključne besede: strojno učenje, odločitvena drevesa, ansambli, homogeni ansambli, naključni gozdovi, dekompozicija napovedne napake
• Vrsta gradiva: Delo diplomskega seminarja/zaključno seminarsko delo/naloga
• Tipologija: 2.11 - Diplomsko delo
• Organizacija: FMF - Fakulteta za matematiko in fiziko
• Leto izida: 2025
• PID: 20.500.12556/RUL-170594
• UDK: 004.8
• COBISS.SI-ID: 242139907
• Datum objave v RUL: 10.07.2025

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Homogenous parallel ensemble methods: random forest

Izvleček

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.

• Ključne besede: machine learning, decision trees, ensembles, homogenous ensembles, random forest, bias-variance decomposition