Development of multicriteria method for assessing weights in machine learning ensemble models

Flokos Theodoros

URI	http://purl.tuc.gr/dl/dias/3205D4B3-6DF2-42EA-8137-727E4C9E7BD3	-
Identifier	https://doi.org/10.26233/heallink.tuc.78696	-
Language	el	-
Extent	109 σελίδες	el
Extent	3,77 megabytes	el
Title	Ανάπτυξη πολυκριτήριας μεθοδολογίας υπολογισμού βαρών σε ensemble τεχνικές μηχανικής μάθησης	el
Title	Development of multicriteria method for assessing weights in machine learning ensemble models	en
Creator	Flokos Theodoros	en
Creator	Φλωκος Θεοδωρος	el
Contributor [Thesis Supervisor]	Matsatsinis Nikolaos	en
Contributor [Thesis Supervisor]	Ματσατσινης Νικολαος	el
Contributor [Assistant]	Sakellaris Alkaios	en
Contributor [Assistant]	Σακελλαρης Αλκαιος	el
Contributor [Committee Member]	Tsafarakis Stelios	en
Contributor [Committee Member]	Τσαφαρακης Στελιος	el
Contributor [Committee Member]	Grigoroudis Evangelos	en
Contributor [Committee Member]	Γρηγορουδης Ευαγγελος	el
Publisher	Πολυτεχνείο Κρήτης	el
Publisher	Technical University of Crete	en
Academic Unit	Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης	el
Description	Διπλωματική εργασία που υποβλήθηκε για τη μερική κάλυψη των αναγκών απόκτησης του Διπλώματος Μηχανικού Παραγωγής και Διοίκησης.	el
Description	Diploma thesis submitted for the partial fulfillment of the requirements for the Diploma of Production Engineering and Management.	en
Content Summary	Η ανάγκη για το συνδυασμό της γνώσης των ειδικών και η χρησιμοποίηση αυτής για την υποβοήθηση της λήψης αποφάσεων, είναι ένα θέμα το οποίο απασχολεί σε μεγάλο βαθμό τη σύγχρονη επιστήμη των αποφάσεων. Ένα από τα προβλήματα που αντιμετωπίζεται συχνά από τους ειδικούς κατά τη διάρκεια της λήψης αποφάσεων είναι η ταξινόμηση αντικειμένων(πχ προϊόντων, υπηρεσιών, καταστάσεων κτλ) σε πολλαπλές κατηγορίες. Από την άλλη μεριά, η «έκρηξη» των δεδομένων στη σημερινή εποχή, καθιστά τη διαδικασία της ταξινόμησης αντικειμένων ως ένα εξαιρετικά δύσκολο έργο για τους ειδικούς. Για αυτό το λόγο έχουν αναπτυχθεί υπολογιστικά μοντέλα στο τομέα της μηχανικής μάθησης, τα οποία προσομοιάζουν το τρόπο λήψης αποφάσεων των ειδικών με τη βοήθεια εμπειρικών δεδομένων. Αυτά τα μοντέλα στην περίπτωση της διαδικασίας της ταξινόμησης αντικειμένων είναι γνωστά ως «ταξινομητές». Με σκοπό την περαιτέρω βελτιστοποίηση της λήψης αποφάσεων, έχουν αναπτυχθεί τεχνικές για το συνδυασμό των «ταξινομητών», οι οποίες είναι γνωστές ως «ensemble» τεχνικές. Ένα από τα προβλήματα που παρουσιάζονται στην ανάπτυξη «ensemble» τεχνικών είναι η ποσοτικοποίηση της συνεισφοράς του κάθε «ταξινομητή» στην τελική απόφαση. Η πλειοψηφία των διαδεδομένων «ensemble» τεχνικών, είτε αποδίδει ένα «βάρος» σε κάθε «ταξινομητή» ανάλογα με την απόδοση του σε κάποιο συγκεκριμένο στατιστικό μέτρο ακρίβειας, είτε κάνει την υπόθεση ότι η συνεισφορά όλων των «ταξινομητών» είναι ισότιμη. Όμως είναι γνωστό ότι τα στατιστικά μέτρα ακρίβειας έχουν πλεονεκτήματα και μειονεκτήματα λόγο των υποθέσεων που κάνουν. Συνεπώς η επιλογή ενός μόνο στατιστικού μέτρου για την κατανομή των βαρών των «ταξινομητών» δημιουργεί ελλείψεις στο τρόπο επιλογής των βαρών. Εμείς θα διερευνήσουμε τη δυνατότητα το παραπάνω πρόβλημα να θεωρηθεί ως ένα πολυκριτήριο πρόβλημα, αμβάνοντας ως κριτήρια ένα σύνολο από στατιστικά μέτρα ακρίβειας. Σκοπός της παρούσας διπλωματικής εργασίας είναι ανάπτυξη μιας «ensemble» τεχνικής η οποία θα λαμβάνει υπόψη της τα προαναφερθέντα στην κατανομή των βαρών των «ταξινομητών» χρησιμοποιώντας μεθόδους από τη πολυκριτήρια ανάλυση.	el
Content Summary	The need for expert knowledge fusion and it’s use for decision support, is a troubling subject for the modern decision sciences. One of the problems the experts face during the process of decision making is the classification of objects (ex: products, services, conditions etc.) in multiple classes. On the other hand, the «explosion» of data in the modern era , makes the classification of objects a difficult task for experts. To tackle this set of problems, numerous computational models in the field of machine learning have been developed, that simulate the way experts make decisions using empirical data. In the context of classification those models are called «classifiers» . For the post optimization of the decision making process a class of methods have been developed for the fusion of the classifiers which are called «ensemble» methods. One of the common problems in the process of creating an ensemble is defining the distribution of weights of the classifiers. Most of ensemble methods set the classifiers weights based on the classifiers performance or they set equal weights for all the classifiers. Though the classification performance measures show some advantages and disadvantages depending the hypothesis each of them is based on. So the selection of single classification performance measure to define the classifiers weights is not an effective technique. We are going to model such a problem as multicriteria problem, taking into account a set of classification performance measures. The goal of this dissertation is to develop an «ensemble» method that takes into account all of the things mentioned above in the definition of classifiers weights, with the help of multicriteria decision analysis.	en
Type of Item	Διπλωματική Εργασία	el
Type of Item	Diploma Work	en
License	http://creativecommons.org/licenses/by/4.0/	en
Date of Item	2018-09-14	-
Date of Publication	2018	-
Subject	Συνδυασμός ταξινομητών	el
Subject	Unsupervised learning	en
Subject	Μάθηση χωρίς επίβλεψη	el
Subject	Supervised learning	en
Subject	Μάθηση με επίβλεψη	el
Subject	Classifier	en
Subject	Ταξινομητής	el
Subject	Classification	en
Subject	Ταξινόμηση	el
Subject	Machine learning	en
Subject	Μηχανική μάθηση	el
Subject	Artificial intelligence	en
Subject	Τεχνητή νοημοσύνη	el
Subject	Πολυκριτήρια ανάλυση αποφάσεων	el
Subject	Multicriteria decision analysis	en
Subject	MCDA	en
Subject	Ensemble learning	en
Subject	Ensemble	en
Bibliographic Citation	Θεόδωρος Φλώκος, "Ανάπτυξη πολυκριτήριας μεθοδολογίας υπολογισμού βαρών σε ensemble τεχνικές μηχανικής μάθησης", Διπλωματική Εργασία, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2018	el
Bibliographic Citation	Theodoros Flokos, "Development of multicriteria method for assessing weights in machine learning ensemble models", Diploma Work, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2018	el

Search

Browse

My Space

Development of multicriteria method for assessing weights in machine learning ensemble models

Flokos Theodoros

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: