Finding the most appropriate variable selection algorithm per learning algorithm through experimental procedure
| datacite.contributor.Supervisor | Κωτσιαντής Σωτήριος | |
| dc.contributor.author | Κουτελάκης, Σταμάτης | |
| dc.contributor.other | Koutelakis, Stamatis | |
| dc.date.accessioned | 2022-10-03T07:34:34Z | |
| dc.date.available | 2022-10-03T07:34:34Z | |
| dc.date.issued | 2022-09-13 | |
| dc.degree | masterThesis | |
| dc.description.abstract | The subject’s study of this specific thesis is the study, the analysis and the comparison of a multitude of variable selection techniques through an experimental evaluation on 10 conventional data sets. In Chapter 2, we present the categories of variable selection methods as well as their mathematical background. Then in Chapter 3, we refer to the Preprocessing stage of the datasets. By imply this process, we achieve the handling of missing values and possible asymmetry, the maintenance of uniformity in the types of variables, the delineation of a sufficient number of instances of the target variables and the complete removal of duplicates, constant and quasi variables. In Chapter 4, the 1st Cycle of Experiments is carried out, which includes the analysis of all 10 pre-processed data sets, by using machine learning algorithms, without the assistance of variable selection methods. While in the 2nd Experiment Round, we implement and evaluate the 19 variable selection methods, which they have been chosen from the 2nd Chapter, by comparing the results. Finally, in the last Chapter we compare and present the results of the two experimental cycles and propose solutions for further study and application. | |
| dc.description.translatedabstract | Αντικείμενο μελέτης της συγκεκριμένης διπλωματικής εργασίας είναι η μελέτη, η ανάλυση και η σύγκριση ενός πλήθους συνόλου τεχνικών επιλογής μεταβλητών μέσω μιας πειραματικής αξιολόγησης σε 10 σύνολα τυπικών δεδομένων. Στο Κεφάλαιο 2, παρουσιάζουμε τις κατηγορίες των μεθόδων επιλογής μεταβλητών καθώς επίσης και το μαθηματικός τους υπόβαθρο. Στη συνέχεια στο Κεφάλαιο 3, αναφερόμαστε στο στάδιο της Προεπεξεργασίας των δειγμάτων. Με την εφαρμογή της, επιτυγχάνουμε την αντιμετώπιση των ελλειπουσών τιμών και πιθανής ασυμμετρίας, την διατήρηση της ομοιομορφίας στα είδη των μεταβλητών, τον καθορισμό επαρκούς αριθμού στιγμιότυπων των μεταβλητών στόχων και την παντελής αφαίρεση διπλότυπων, σταθερών (constant) και σχεδόν σταθερών (quasi) μεταβλητών. Στο Κεφάλαιο 4 πραγματοποιείται ο 1ο Κύκλος Πειραμάτων, που περιλαμβάνει την ανάλυση και των 10 προεπεξεργασμένων δειγμάτων, με τη χρήση των αλγορίθμων μηχανικής μάθησης, χωρίς την συνδρομή των μεθόδων επιλογής μεταβλητών. Ενώ στον 2ο Κύκλο Πειραμάτων, εφαρμόζουμε και αξιολογούμε τις 19 μεθόδους επιλογής μεταβλητών, που έχουμε επιλέξει από το 2ο Κεφάλαιο, συγκρίνοντας τα αποτελέσματα. Τέλος, στο τελευταίο Κεφάλαιο συγκρίνουμε και παρουσιάζουμε τα αποτελέσματα των δύο πειραματικών κύκλων και προτείνουμε λύσεις για επιπλέον μελέτη και εφαρμογή. | |
| dc.identifier.uri | https://hdl.handle.net/10889/23319 | |
| dc.language.iso | el | |
| dc.rights | CC0 1.0 Universal | * |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | * |
| dc.subject | Variable selection | |
| dc.subject | Experimental procedure | |
| dc.subject | Learning algorithms | |
| dc.subject | Machine learning | |
| dc.subject.alternative | Επιλογή μεταβλητής | |
| dc.subject.alternative | Πειραματική διαδικασία | |
| dc.subject.alternative | Αλγόριθμοι μάθησης | |
| dc.subject.alternative | Μηχανική μάθηση | |
| dc.title | Finding the most appropriate variable selection algorithm per learning algorithm through experimental procedure | |
| dc.title.alternative | Εύρεση καταλληλότερου αλγορίθμου επιλογής μεταβλητών ανά αλγόριθμο μάθησης μέσω πειραματικής διαδικασίας |