haku: @instructor Lendasse, Amaury / yhteensä: 14
viite: 10 / 14
Tekijä: | Kärnä, Tuomas |
Työn nimi: | Functional Data Dimensionality Reduction for Machine Learning |
Funktionalinen dimensionalisuuden pienentäminen koneoppimista varten | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2007 |
Sivut: | x + 51 s. + liitt. 8 Kieli: eng |
Koulu/Laitos/Osasto: | Sähkö- ja tietoliikennetekniikan osasto |
Oppiaine: | Informaatiotekniikka (T-115) |
Valvoja: | Simula, Olli |
Ohjaaja: | Lendasse, Amaury |
Elektroninen julkaisu: | http://urn.fi/urn:nbn:fi:tkk-010112 |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark S80 | Arkisto |
Avainsanat: | dimensionality reduction functional data analysis chemometrics time series prediction dimension pienentäminen funktionaalinen data-analyysi kemometria aikasarjaennustus |
Tiivistelmä (fin): | Monimuuttuja-analyysissä korkeadimensioinen informaatio yleistyy jatkuvasti. Korkean dimension seurauksena laskenta-ajat kasvavat ja ongelmia aiheutuu myös nk. dimensionalisuuden kirouksen (curse of dimensionality) seurauksena. Tämä diplomityö koskee funktionaliseen data analyysiin perustuvaa dimensionalisuuden pienetämismenetelmää. Tässä menetelmässä korkeadimensioinen informaatio projisoidaan funktioavaruuteen jossa se voidaan kuvata yksinkertasemmassa muodossa. Funktioavaruus määritellään Gaussisten kantafunktioiden avulla, jotka on sovitetty kyseessä olevaan ongelmaan mahdollisimman hyvin. Esitetyttyä menetelmää sovelletaan kemometriaan ja aikasarjaennustukseen. Regressioon käytetään molemmissa tapauksissa pienimmän neliösumman tukivektorikonetta (Least-Squares Support Vector Machine). Koetulokset osoittavat, että dimensionalisuutta voidaan pienentää merkittävästi. Lisäksi saavutettu ennustustarkkuus on parempi tai vähintään samantasoinen verrattuna muihin yleisesti käytössä oleviin menetelmiin. |
Tiivistelmä (eng): | High dimensional data are becoming more and more common in the field of multivariate data analysis. However, the high dimensionality is problematic due to increasing computational costs and to the curse of dimensionality. This thesis concerns dimensionality reduction method that is based on Functional Data Analysis. High dimensional data are projected on a function space where it can be expressed in more compact form. The functions space is defined by a set of Gaussian basis functions that are specially adjusted to suit the problem at hand. The methodology is tested in two applications, chemometrics and time series prediction, using Least-Squares Support Vector Machines for regression. The experiential results indicate that data dimension can be dramatically reduced. And what is more, the prediction accuracy is clearly better or at least equivalent compared to other commonly used methods. |
ED: | 2007-12-19 |
INSSI tietueen numero: 35024
+ lisää koriin
INSSI