Klasifikator pojačanja gradijenta kod procjene mogućnosti preživljavanja putnika na Titaniku (CROSBI ID 448258)
Ocjenski rad | sveučilišni preddiplomski završni rad
Podaci o odgovornosti
Lovrić, Irena
Stipančić, Tomislav
hrvatski
Klasifikator pojačanja gradijenta kod procjene mogućnosti preživljavanja putnika na Titaniku
U ovom radu je ukratko objašnjen algoritam Gradient Boost i prikazana matematika na kojoj je baziran i koju je objasnio Jerome H. Freidman. Gradient Boost je pokazao velik uspjeh u širokom spektru primjene u stvarnom svijetu. Također su definirani pojmovi funkcija gubitka (loss function), learning rate i overfitting. Funkcija gubitka i learning rate kao jedne od najznačajnijih faktora u Gradient Boost, te overfitting kao jedan od najvećih problema Gradient Boosta. Također je objašnjen primjer klasifikacije baze podatka koristeći Gradient Boost „Titanic- Top 1% with Gradient Boost Clasifier“. Ovim primjerom se pokušava odrediti koji putnik će preživjeti i koji neće preživjeti potonuće Titanika. Primjer je uzet sa stranice Kaggle i napisan je u Python-u. Kroz objašnjenje primjera smo prošli kroz danu bazu podataka, prilagodili varijable (skupine podatka) našim potrebama, odredili suodnose varijabli, kako je odabran Gradinet Boost i prilagodili hiperparametre.
Freidman ; Gradient Boost ; funkcija gubitka (loss function) ; learning rate ; overfitting ; Python ; Kaggle ; Titanic
nije evidentirano
engleski
Gradient boost classifier in the assessment of the survival chance of passengers on Titanic
nije evidentirano
Freidman ; Gradient Boost ; loss function ; learning rate ; overfitting ; Python ; Kaggle ; Titanic
nije evidentirano
Podaci o izdanju
67
02.03.2022.
obranjeno
Podaci o ustanovi koja je dodijelila akademski stupanj
Fakultet strojarstva i brodogradnje
Zagreb