Metaučení přínosu příznaků

Eliška Vondráčková

Meta-learning for feature selection

Type of document

diplomová práce
master thesis

Author

Eliška Vondráčková

Supervisor

Motl Jan

Opponent

Šimeček Ivan

Field of study

Znalostní inženýrství

Study program

Informatika

Institutions assigning rank

katedra aplikované matematiky

Rights

A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html
Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html

Metadata

Show full item record

Abstract

Předmětem této práce je návrh a implementace metaučícího modelu, který online predikuje dané metapříznaky týkající se relevance příznaku pro výpočet. Zvolené algoritmy pro klasifikační a regresní modely jsou Pasivně agresivní algoritmus, Bagging, hierarchický lineární model, k-nejbližších sousedů a neuronová síť. Použitými technologiemi jsou Jupyter Notebook (Python) a knihovny scipy, creme a H2O, dále v jazyce R knihovna lmer pro hierarchický model. Výstupem práce jsou metamodely pro predikci jednotlivých metapříznaků a jejich porovnání.

This thesis aims to design and implement a meta-learning model that online predicts meta-features about the relevance of the features. Classification and regression models were created based on passive aggressive algorithm, bagging, k-nearest neighbours, hierarchical linear regression, and neural network. The technologies used for implementation of these algorithms were Jupyter Notebook (Python) and libraries scipy, creme and H2O. For the hiearchical model, R language with lmer library were used. The results of the thesis are metamodels for prediction of the meta-features and their comparison.