Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/30778
Author: Ελευθεριάδης, Στυλιανός
Title: An empirical analysis of data reduction techniques for k-nn classification
Date Issued: 2024
Department: Πρόγραμμα Μεταπτυχιακών Σπουδών στην Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων
Supervisor: Ευαγγελίδης, Γεώργιος
Abstract: Αυτή η διπλωματικλή εξετάζει τις Τεχνικές Μείωσης Δεδομένων (Data Reduction Techniques - DRTs) στον τομέα των αλγορίθμων ταξινόμησης με αργή εκμάθηση όπως το k-NN, επικεντρώνοντας στις μεθόδους Prototype Selection (PS) και Prototype Generation (PG). Η έρευνα παρέχει μια λεπτομερή εξέταση αυτών των μεθοδολογιών, κατηγοριοποιώντας τις DRTs σε δύο κύριες κατηγορίες: PS και PG, και τις διαχωρίζει σε τρεις υποκατηγορίες: condensing, edition και υβριδικές μεθόδους. H πειραματική μελέτη συγκρίνει συνολικά 20 νέες και κορυφαίες DRTs σε 20 σύνολα δεδομένων. Ο στόχος είναι να εξαχθούν συμπεράσματα απόδοσης τόσο στις κύριες όσο και στις υποκατηγορίες, προσφέροντας πολύτιμες γνώσεις για το πώς αυτές οι τεχνικές ενισχύουν την αποτελεσματικότητα και την ανθεκτικότητα του ταξινομητή k-NN. Η διπλωματική παρέχει μια συνολική επισκόπηση των DRTs, διευκρινίζοντας τις στρατηγικές τους και τις αποδόσεις τους.
Keywords: prototype generation
Prototype selection
Data mining
Data cleaning
Information: Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2024.
Rights: Αναφορά Δημιουργού 4.0 Διεθνές
Appears in Collections:ΠΜΣ στην Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων (Μ)

Files in This Item:
File Description SizeFormat 
EleftheriadisStylianosMsc2024.pdf1.32 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons