prikaz prve stranice dokumenta Metode regularizacije s uključenim domenskim znanjem stručnjaka za odabir značajki u linearnom regresijskom modelu
  Preuzmi
PDF 5.97 MB
disertacija
Metode regularizacije s uključenim domenskim znanjem stručnjaka za odabir značajki u linearnom regresijskom modelu
2025. urn:nbn:hr:211:096890
Mokriš, Marinela
Sveučilište u Zagrebu
Fakultet organizacije i informatike

Citirajte ovaj rad

Mokriš, M. (2025). Metode regularizacije s uključenim domenskim znanjem stručnjaka za odabir značajki u linearnom regresijskom modelu (Disertacija). Varaždin: Sveučilište u Zagrebu, Fakultet organizacije i informatike. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:211:096890

Mokriš, Marinela. "Metode regularizacije s uključenim domenskim znanjem stručnjaka za odabir značajki u linearnom regresijskom modelu." Disertacija, Sveučilište u Zagrebu, Fakultet organizacije i informatike, 2025. https://urn.nsk.hr/urn:nbn:hr:211:096890

Mokriš, Marinela. "Metode regularizacije s uključenim domenskim znanjem stručnjaka za odabir značajki u linearnom regresijskom modelu." Disertacija, Sveučilište u Zagrebu, Fakultet organizacije i informatike, 2025. https://urn.nsk.hr/urn:nbn:hr:211:096890

Mokriš, M. (2025). 'Metode regularizacije s uključenim domenskim znanjem stručnjaka za odabir značajki u linearnom regresijskom modelu', Disertacija, Sveučilište u Zagrebu, Fakultet organizacije i informatike, citirano: 02.04.2025., https://urn.nsk.hr/urn:nbn:hr:211:096890

Mokriš M. Metode regularizacije s uključenim domenskim znanjem stručnjaka za odabir značajki u linearnom regresijskom modelu [Disertacija]. Varaždin: Sveučilište u Zagrebu, Fakultet organizacije i informatike; 2025 [pristupljeno 02.04.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:211:096890

M. Mokriš, "Metode regularizacije s uključenim domenskim znanjem stručnjaka za odabir značajki u linearnom regresijskom modelu", Disertacija, Sveučilište u Zagrebu, Fakultet organizacije i informatike, Varaždin, 2025. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:211:096890

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:211:096890
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovMetode regularizacije s uključenim domenskim znanjem stručnjaka za odabir značajki u linearnom regresijskom modelu
Naslov (engleski)Regularization methods that include experts’ domain knowledge for feature selection in a linear regression model
AutorMarinela Mokriš
MBZ: 372281
MentorDiana Šimić (mentor)
MBZ: 125756
MentorDario Šebalj (komentor)
MBZ: 344280
Član povjerenstvaJasminka Dobša (predsjednik povjerenstva)
MBZ: 218640
Član povjerenstvaPetra Žugec (član povjerenstva)
MBZ: 319436
Član povjerenstvaAna Meštrović (član povjerenstva)
MBZ: 250171
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet organizacije i informatike
Varaždin
Datum i država obrane2025-02-17, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		DRUŠTVENE ZNANOSTI
Informacijske i komunikacijske znanosti
Univerzalna decimalna klasifikacija
(UDC)		311 - Statistika
Sažetak
Ovo istraživanje imalo je cilj razviti metodu za odabir znaˇcajki u linearnom regresijskom mo- delu koja u regularizaciju ukljuˇcuje domensko znanje struˇcnjaka o utjecaju ulaznih znaˇcajki na izlaznu, pri ˇcemu se razlikovalo dva naˇcina ukljuˇcivanja znanja struˇcnjaka – deterministiˇcki i metaheuristiˇcki. Predložena metoda se evaluirala na podacima o troškovima energije i karak- teristikama zgrada javnog sektora Republike Hrvatske te na tri scenarija simuliranih podataka iz literature. Za... Više evaluaciju su se koristile mjere uspješnosti predikcije (korigirani koeficijent determinacije, RMSE, MAE i SMAPE) te, u sluˇcaju simuliranih podataka, razlika izme ¯du stvar- nih i procijenjenih regresijskih koeficijenata. Metoda je uspore ¯dena s regularizacijom koja ne ukljuˇcuje domensko znanje struˇcnjaka te s regresijskim stablima. Rezultati na stvarnim poda- cima pokazuju da je uvo ¯denje domenskog znanja struˇcnjaka metaheuristiˇckim pristupom re- zultiralo poboljšanjem uspješnosti predikcije u odnosu na spomenute metode, dok je uvo ¯denje domenskog znanja struˇcnjaka deterministiˇckim pristupom u nekim sluˇcajevima rezultiralo po- boljšanjem uspješnosti predikcije. U okviru simulacijskog eksperimenta, uvo ¯denje domenskog znanja struˇcnjaka rezultiralo je poboljšanjem nekih mjera uspješnosti predikcije u odnosu na regularizaciju koja ne koristi znanje struˇcnjaka samo kod metaheuristiˇckog pristupa, dok pred- ložena metoda uvo ¯denja domenskog znanja struˇcnjaka u regularizaciju nije rezultirala uspješ- nijom predikcijom od metode regresijskih stabala niti za jedan pristup uvo ¯denja domenskog znanja struˇcnjaka. Rezultati pokazuju da razliˇciti naˇcini procjene penalizacijskih koeficijenta i sama struktura modela utjeˇcu na varijabilnost i pristranost modela. Ujedno, otvaraju daljnja pitanja u smislu kako posti´ci i da za kompleksnije skupove podataka domensko znanje struˇc- njaka doprinese smanjenju varijabilnosti i / ili pristranosti modela te poboljšanju uspješnosti predikcije. Sakrij dio sažetka
Sažetak (engleski)
This research aimed to develop a feature selection method for a linear regression model that in- corporates experts’ domain knowledge about the impact of input features on the output into the regularization process. Two methods of incorporating experts’ knowledge were distinguished: deterministic and metaheuristic. The proposed method was evaluated using data on energy costs and characteristics of public sector buildings in the Republic of Croatia, as well as three scena- rios of simulated... Više data from the literature. Evaluation measures included prediction performance metrics (adjusted coefficient of determination, RMSE, MAE, and SMAPE) and, in the case of simulated data, the difference between actual and estimated regression coefficients. The met- hod was compared to regularization that does not include experts’ domain knowledge and to regression trees. The results on real data indicate that incorporating experts’ domain knowledge through a metaheuristic approach improved prediction performance compared to the mentioned methods, while incorporating domain knowledge through a deterministic approach improved prediction performance in certain cases. In the simulation experiment, introducing experts’ do- main knowledge improved some prediction performance measures over regularization without experts’ knowledge only with the metaheuristic approach, while the proposed method of in- troducing experts’ knowledge into regularization did not outperform the decision tree method in prediction for any approach of introducing experts’ knowledge. The results indicate that different ways of estimating penalization coefficients and the model structure itself affect the variability and bias of the model. Additionally, they raise further questions about how to ac- hieve improved prediction performance and reduced variability and / or bias by incorporating experts’ domain knowledge in more complex data sets. Sakrij dio sažetka
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:211:096890
Datum promocije2025
Studijski programNaziv: Informacijske znanosti
Vrsta studija: sveučilišni
Stupanj studija: poslijediplomski doktorski
Akademski / stručni naziv: doktor/doktorica znanosti, područje društvenih znanosti, polje informacijske i komunikacijske znanosti (dr.sc.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2025-03-05 19:09:42
accessibility

closePristupačnostrefresh

Ako želite spremiti trajne postavke, kliknite Spremi, ako ne - vaše će se postavke poništiti kad zatvorite preglednik.