prikaz prve stranice dokumenta Učinkovitost tehnika predobrade podataka u izgradnji modela predviđanja
  Preuzmi
PDF 1009.33 KB
završni rad
Učinkovitost tehnika predobrade podataka u izgradnji modela predviđanja
2023. urn:nbn:hr:190:339915
Višković, Kristina
Sveučilište u Rijeci
Tehnički fakultet

Citirajte ovaj rad

Višković, K. (2023). Učinkovitost tehnika predobrade podataka u izgradnji modela predviđanja (Završni rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:339915

Višković, Kristina. "Učinkovitost tehnika predobrade podataka u izgradnji modela predviđanja." Završni rad, Sveučilište u Rijeci, Tehnički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:190:339915

Višković, Kristina. "Učinkovitost tehnika predobrade podataka u izgradnji modela predviđanja." Završni rad, Sveučilište u Rijeci, Tehnički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:190:339915

Višković, K. (2023). 'Učinkovitost tehnika predobrade podataka u izgradnji modela predviđanja', Završni rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 16.04.2024., https://urn.nsk.hr/urn:nbn:hr:190:339915

Višković K. Učinkovitost tehnika predobrade podataka u izgradnji modela predviđanja [Završni rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2023 [pristupljeno 16.04.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:339915

K. Višković, "Učinkovitost tehnika predobrade podataka u izgradnji modela predviđanja", Završni rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:339915

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:339915
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovUčinkovitost tehnika predobrade podataka u izgradnji modela predviđanja
Naslov (engleski)Efficiency of data-preprocessing techniques in building a predictive model
AutorKristina Višković
MentorGoran Mauša (mentor)
Član povjerenstvaMiroslav Joler (predsjednik povjerenstva)
Član povjerenstvaGoran Mauša (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
Rijeka
Datum i država obrane2023, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Zadatak završnog rada bio je ispitati učinkovitost tehnika predobrade podataka u izgradnji modela predviđanja. Proces dubinske analize podataka objašnjen je procesnim modelom CRISP-DM. Dodatno, obrađena su načela održive dubinske analize podataka vezana uz ključne faze procesa dubinske analize podataka. Proučeni su postupci predobrade podataka u dubinskoj analizi podataka, točnije tehnike čišćenja podataka kojima se uklanjaju instance i značajke. Nad karakterističnim skupovima podataka primjenjene su tehnike uklanjanja instanci i značajki koje sadrže nedostajuće vrijednosti, uklanjanje dupliciranih instanci i tehnika odabira najboljih značajki. Korišteni su algoritmi strojnog učenja stablo odluke i nasumična šuma te algoritam podizanja gradijenata temeljen na histogramu (engl. Histogram-based Gradient Boosting). Izmjeren je utrošak energije, memorije i vremena za scenarije izvornih i očišćenih podataka. Zaključeno je da je kvalitetnom predobradom podataka moguće smanjiti utrošak energije i vremena bez ugrožavanja performansi modela predviđanja.
Sažetak (engleski)
The task of this thesis was to examine the efficiency of data-preprocessing techniques in building a prediction model. Data mining is explained using the CRISP-DM process model. The thesis also covers the principles of green data mining related to the key stages of the data mining process. Data preprocessing techniques, specifically data cleaning techniques used to remove instances and features (instance and feature selection techniques), were researched. The techniques of removing instances and features that contain missing values, removing duplicate instances and feature selection were applied to the characteristic data sets. Decision tree, random forest and histogram-based gradient boosting machine learning algorithms were used. The consumption of energy, memory and time was measured for the original and cleaned data scenarios. It was concluded that with high-quality data preprocessing, it is possible to reduce the consumption of energy and time without disrupting the performance of the prediction model.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:339915
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ. bacc. ing. comp)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Imenovanje 4.0 međunarodna (CC BY 4.0)
Datum i vrijeme pohrane2023-09-12 15:24:03