Datizrace un zināšanu atklāšana / ID: 924188

Author: Alfredo (86)

Evaluation:

Published: 02.01.2020.

Language: Latvian

Level: College/University

Literature: 11 units

References: Not used

Time period viewed: 2016 - 2020 years

Enlarge preview

Table of contents

Nr.	Chapter	Page.
1.	DATU KLASTERĒŠANA	5
1.1.	Metožu apraksts	5
1.1.1.	K-vidējo klasterēšanas algoritms	5
1.1.2.	Hierarhiskā klasterēšana	6
1.1.3.	Izplūdušo c-vidējo klasterēšanas algoritms	7
1.2.	Izmantoto datu apraksts un to sagatavošana analīzei	8
1.3.	Eksperimenti un rezultātu apkopojums	10
1.3.1.	RStudio k-vidējo algoritma realizācija	10
1.3.2.	Orange k-vidējo algoritma realizācija	13
1.3.3.	RStudio hierarhiskās klasterēšanas algoritma realizācija	16
1.3.4.	Orange hierarhiskās klasterēšanas realizācija	19
1.3.5.	RStudio izplūdušo C-vidējo klasterēšanas algoritma realizācija	20
1.3.6.	Algoritmu rezultātu salīdzinājums	22
2.	DATU KLASIFIKĀCIJA UN KLASIFIKĀTORU ANSAMBĻ	23
2.1.	Metožu apraksts	23
2.1.1.	K-tuvāko kaimiņu klasifikācijas metode	23
2.1.2.	Baijesa Naivais klasifikators	24
2.1.3.	Klasifikācijas koki	25
2.1.4.	Klasifikatoru ansambļi	25
2.1.5.	Mākslīgie neironu tīkli	26
2.2.	Izmantoto datu apraksts un to sagatavošana analīzei	28
2.3.	Eksperimenti un rezultātu apkopojums	30
2.3.1.	RStudio K-tuvāko kaimiņu klasifikācijas algoritma realizācija	31
2.3.2.	Orange K-tuvāko kaimiņu algoritma realizācija	35
2.3.3.	RStudio Baijesa naivā klasifikatora realizācija	37
2.3.4.	Orange Baijesa naivā klasifikatora realizācija	39
2.3.5.	RStudio klasifikācijas koku realizācija	41
2.3.6.	Orange klasifikācijas koka realizācija	44
2.3.7.	Algoritmu rezultātu salīdzinājums	46
2.3.8.	Eksperimenti ar klasifikatoru ansambļiem	46
2.3.9.	Mākslīgo neironu tīklu realizācija	49
3.	LAIKA RINDU PROGNOZĒŠANA	53
3.1.	Metožu apraksts	53
3.1.1.	ARIMA modelis	53
3.2.	Izmantoto datu apraksts un to sagatavošana analīzei	53
3.3.	Eksperimenti un rezultātu apkopojums	56
3.3.1.	ARIMA modelis	56
4.	DATORREDZES TEHNOLOĢIJAS	60
4.1.	Metožu apraksts	60
4.1.1.	Keras	60
4.1.2.	TensorFlow	61
4.2.	Izmantoto datu apraksts un to sagatavošana analīzei	61
4.3.	Eksperimenti un rezultātu apkopojums	62
4.3.1.	Eksperimenti ar pirmo konvolūciju tīklu uz MNIST datu kopas	62
4.3.2.	Eksperimenti ar otro konvolūciju tīklu uz MNIST datu kopas	65
4.3.3.	Eksperimenti ar trešo konvolūciju tīklu uz MNIST datu kopas	69
4.3.4.	Rezultātu salīdzinājums un secinājumi	72
	REZULTĀTU APKOPOJUMS UN SECINĀJUMI	73
	IZMANTOTĀ LITERATŪRA	75

Extract

REZULTĀTU APKOPOJUMS UN SECINĀJUMI
Šis studiju darbs sevī ietvēra četru uzdevumu risinājumus – 1) datu klasterēšana, 2) datu klasifikācija, klasifikācijas koki un klasifikatoru ansambļi, 3) laika rindu prognozēšana un 4) datorredzes tehnoloģijas.
Datu klasterēšanas uzdevumā tika izmantoti trīs algoritmi – K-vidējo klasterēšanas, Hierarhiskā klasterēšanas un Izplūdušo C-vidējo klasterēšanas algoritmi. Pēc eksperimentu veikšanas ar katru no nosauktajiem algoritmiem mēs ieguvām, ka labākais algoritms šai atlasītajai datu kopai būs K-vidējo algoritms, kuram bija vislielākā precizitāte un ko arī parādīja vismazākā summētā kvadrātiskā kļūda, un tieši šim algoritmam mēs izvēlējāmies labāko klasteru skaitu.
Datu klasifikācijas uzdevumā mēs implementējām piecus algoritmu – K-tuvāko kaimiņu, Baijesa Naivo klasifikatoru, klasifikācijas koku (C5.0 algoritmu), klasifikatoru ansambļus (Ada un RandomForest), kā arī pielietojām mākslīgos neironu tīklus (neuralnet). Kopumā, neironu tīklu iegūtie rezultāti precizitātes ziņā nebija tie labākie (Baijesa un klasifikatoru ansambļiem bija lielāka precizitāte), un K-tuvāko kaimiņu algortims šā vai tā palika labākais klasifikācijas algoritms pēc maniem veiktajiem eksperimentu rezultātiem.
Laika rindu prognozēšanai es izmantoju ARIMA (Autoregressive Integrated Moving Average) modeli, jo par to es uzzināju meklējot informāciju par šo studiju darbu, un izrādījās, ka šis modelis ir efektīvs, lai prognozētu laika rindas. Šis modelis apvienojumā ar forecast() modeli, deva nepieciešamos rezultātus pietiekami detalizētos grafikos, kas prognozēja vērtības dažāda lieluma periodiem. Bija iespējams arī realizēt šo uzdevumu ar neironu tīkliem, bet es to neizvēlējos darīt, jo otrajā uzdevumā tas jau tika izmantots un man bija vēlme veikt eksperimentus ar cita algoritma pielietošanu.
…

Author's comment

Work pack:

GREAT DEAL buying in a pack ➞ your savings −10,77 €

Work pack Nr. 1375602

Purchase a work pack of 3

Show work pack

Research Papers

Technologies

Computers, Consumer Electronics