Seminarium doktoranckie, 07.11.2018
31-10-2018
Szanowni Państwo,
zapraszamy na seminarium doktoranckie, które odbędzie się 07.11.2019 (środa) o godzinie 12.15 w sali 130. Przewidziane jest wystąpienie pana mgr. inż. Łukasza Gadomera w związku z planowanym przyjęciem rozprawy doktorskiej i wyznaczeniem recenzentów.
Tytuł pracy: „Rozmyte lasy losowe oparte na modelach klastrowych drzew decyzyjnych w zadaniach klasyfikacji”
Promotor: dr hab. Zenon A. Sosnowski
Abstrakt:
W ramach rozprawy doktorskiej opracowana została metoda klasyfikacji oraz, dodatkowo, regresji danych, nazwana rozmytym-klastrowym lasem losowym. Rozwiązanie to jest klasyfikatorem zbiorczym wykorzystującym klastrowe-rozmyte drzewa decyzyjne oraz klastrowo-kontekstowe drzewa decyzyjne jako klasyfikatory wchodzące w jego skład. Omówiono istotę tej metody oraz wykazano jej skuteczność w zadaniach klasyfikacji i regresji. Zaproponowano również szereg udoskonaleń, które mają na celu poprawić zarówno jego jakość działania, jak i zdolność poprawnej do klasyfikacji, a także regresji danych. Pierwszym z nich jest opracowanie sposobów ważonego podejmowania decyzji. W przypadku rozmytego-klastrowego lasu losowego z klastrowymi-rozmytymi drzewami decyzyjnymi do podejmowania decyzji w sposób ważony wykorzystano operatory uprządkowanego ważonego uśredniania (ang. Oriented Weighted Averaging – OWA). Opracowano trzy autorskie metody wykorzystania operatorów OWA do tego celu: lokalne OWA, globalne OWA dla drzewa oraz globalne OWA dla lasu. W przypadku rozmytego-klastrowego lasu losowego z klastrowo-kontekstowymi drzewami decyzyjnymi wagi podejmowane są przy użyciu autorskiej metody ważenia proporcjonalnego przygotowanej w dwóch wariantach: opartej na zbiorze uczącym oraz opartej na indeksie wydajności drzewa. Eksperymentalnie udowodniono, że zastosowane sposoby ważonego podejmowania decyzji pozytywnie wpływają na jakość klasyfikacji oraz, dodatkowo, regresji danych. Drugim udoskonaleniem stworzonej metody jest zastosowanie w niej różnych wariantów przycinania drzew decyzyjnych. Zaproponowano pięć wariantów przycinania klastrowych-rozmytych drzew decyzyjnych oraz trzy sposoby przycinania klastrowo-kontekstowych rozmytych drzew decyzyjnych w rozmytym-klastrowym lesie losowym. Eksperymentalnie wykazano, że zastosowanie opracowanych metod przycinania drzew może zwiększyć jakość klasyfikacji/regresji oraz zmniejszyć czas uczenia drzewa bądź podejmowania przez niego decyzji. Zbadano również potencjał klasyfikatora do zrównoleglenia obliczeń wykonywanych podczas jego działania. Na przykładzie procesu uczenia lasu wykazano, że stosując obliczenia równoległe możliwe jest znaczne skrócenie czasu działania klasyfikatora.