Ανίχνευση μετατόπισης χαρακτηριστικών σε μοντέλα στατιστικής μάθησης με τη βοήθεια των διαγραμμάτων ελέγχου

Τρουλιτάκη, Πετρίνα; Troulitaki, Petrina

dc.contributor.author	Τρουλιτάκη, Πετρίνα	el
dc.contributor.author	Troulitaki, Petrina	en
dc.date.accessioned	2019-07-18T11:16:11Z
dc.date.available	2019-07-18T11:16:11Z
dc.date.issued	2019-07-18
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49081
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16833
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μετατόπιση χαρακτηριστικών	el
dc.subject	Ταξινόμηση	el
dc.subject	Διαγράμματα ελέγχου	el
dc.subject	EWMA διαγράμματα	el
dc.subject	Όρια ελέγχου	el
dc.title	Ανίχνευση μετατόπισης χαρακτηριστικών σε μοντέλα στατιστικής μάθησης με τη βοήθεια των διαγραμμάτων ελέγχου	el
dc.title	Concept drift detection in statistical learning models using control charts	en
heal.type	bachelorThesis
heal.classification	Μαθηματικά - Machine Learning	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2019-06-26
heal.abstract	Η ταξινόμηση δεδομένων αποτελεί μια διαδικασία η οποία χρησιμοποιείται ευρέως στις μέρες μας. Η ορθότητα και η αποτελεσματικότητα της ταξινόμησης είναι καίριας σημασίας, εφόσον εφαρμόζεται σχεδόν σε όλες τις σύγχρονες επιχειρήσεις, στον τομέα της ιατρικής, της μετεωρολογίας και σε πολλά ακόμα επιστημονικά πεδία. Ωστόσο, τα κριτήρια για την εκάστοτε κατηγοριοποίηση δεν παραμένουν σταθερά αλλά παρατηρούνται αλλαγές στον τρόπο πρόβλεψης και στην κατανομή που έχουμε καταλήξει ότι ακολουθούν τα δεδομένα μας, γεγονός που αν δεν ληφθεί υπόψη, οδηγεί σε ψευδή αποτελέσματα. Το φαινόμενο αυτό είναι γνωστό στην επιστημονική κοινότητα ως μετατόπιση χαρακτηριστικού (concept drift), και γίνονται πολλές προσπάθειες τα τελευταία χρόνια για την αποτελεσματικότερη αντιμετώπισή του. Στην πρώτη ενότητα της συγκεκριμένης εργασίας, παρουσιάζουμε αναφορικά την μέχρι τώρα πρόοδο που έχει γίνει στο συγκεκριμένο θέμα και επικεντρωνόμαστε κυρίως στην επίλυσή του με χρήση διαγραμμάτων ελέγχου και συγκεκριμένα των διαγραμμάτων με κινητούς μέσους με εκθετικά βάρη (EWMA). Αμέσως μετά, θα προσπαθήσουμε να υλοποιήσουμε τον αλγόριθμο που προτάθηκε από τον G. J. Ross στο άρθρο του Exponentially weighted moving average charts for detecting Concept Drift, Pattern Recognition Letters (2012), χρησιμοποιώντας το στατιστικό πακέτο R, και να παρουσιάσουμε τα αποτελέσματα που είχε η εφαρμογή του σε δεδομένα. Τέλος, προτείνουμε κάποιες βελτιώσεις στον αλγόριθμο που θα μπορούσαν να αυξήσουν την επίδοσή του και παρουσιάζουμε και πάλι τα αντίστοιχα αποτελέσματα.	el
heal.abstract	Classification of data is a widely used process nowadays. The correctness and effectiveness of classification is of great importance, since it is used in every modern business, in medical applications, in meteorology and many more science fields. However, the criteria of a classification process may change over time causing alterations in the underlying distribution of the data and lead to the wrong estimations. This phenomenon is known in the literature as concept drift and over the past years more and more scientists are trying to cope with this problem effectively. In the first section of this paper, we present some of the existing algorithms and handling strategies of concept drift that have been developed until now and we focus on the solutions that use statistical process control charts to deal with this situation. In the second section, we try to reproduce the algorithm that was proposed by J. Gordon Ross, in the article Exponentially weighted moving average charts for detecting Concept Drift, Pattern Recognition Letters (2012), that uses EWMA control charts, using the statistical package R, and we present the results of the application of the algorithm on data. In the last chapter, we suggest several improvements that we believe they will rise the performance of the existing algorithm and we also present our results	en
heal.advisorName	Κουκουβίνος, Χρήστος	el
heal.committeeMemberName	Κουκουβίνος, Χρήστος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	109 σ.
heal.fullTextAvailability	true