Skip to content

L’apprendimento ensemble e lo Stacking-C: un confronto basato su applicazioni reali e simulate

La tesi in oggetto si articola in due fasi, allo scopo di effettuare un confronto, sul piano teorico metodologico e sul piano applicativo computazionale, fra i principali metodi di apprendimento di tipo aggregato o ensemble, dando particolare enfasi al metodo dello Stacking-C.
Lo stacking definisce un algoritmo di apprendimento a due stadi, dove al primo stadio, chiamato livello 0, sono addestrati K modelli sul dataset di partenza. Le stime di test per gli J fold della cross-validation per tutti i K modelli, vengono poi impilate l’una sull’altra (stacked secondo la terminologia inglese), formando delle colonne di stime per ciascun modello di base. Queste vanno a costituire gli attributi al secondo stadio del dataset di livello 1, i cosiddetti meta-dati dello stacking.
Tramite lo stacking-C si realizza un algoritmo che a livello 1 include negli attributi soltanto le probabilità della classe corretta, quando la variabile risposta è di tipo categorico multi-classe.

CONSULTA INTEGRALMENTE QUESTA TESI

La consultazione è esclusivamente in formato digitale .PDF

Acquista
Mostra/Nascondi contenuto.
9 CAPITOLO 1. 1. Machine Learning e modelli ensemble. Nella teoria del Machine Learning, un ‘learner’ (allievo) cerca di identificare un concetto non noto della realtà di interesse. Per compiere tale operazione esso si basa sull’analisi di esempi concreti del concetto generale (maestro), selezionati casualmente dalla popolazione. Tale concetto può essere descritto da una qualsiasi funzione, anche Booleana, che lega una serie di attributi a una o più variabili risposta (di tipo quantitativo o categorico). La difficoltà nel selezionare e implementare il giusto algoritmo di apprendimento sta nel fatto che non si conosce a priori la forma della distribuzione che ha generato il campione di esempi estratto. In ambito statistico, di solito si fanno delle ipotesi sulla forma funzionale di tale distribuzione che servono per stabilire il metodo di stima del modello; nel Machine Learning, per definizione, si adottano invece approcci svincolati da decisioni umane. Fra tutti quelli proposti, spicca l’approccio modellistico PAC (Probabilmente Approssimativamente Corretto) spiegato da Schapire nel suo articolo del 1990 (16), il quale viene definito un modello ‘distribution-free’, perché non necessita di ipotesi sulla distribuzione di probabilità del campione estratto. L’obiettivo dell’allievo è trovare all’interno dell’insieme di tutte le possibili funzioni o regole (definite di seguito ipotesi) quella che meglio si avvicina al concetto non noto, ovvero la più approssimativamente corretta. La difficoltà da superare negli algoritmi realizzati, risiedeva nella capacità di individuare modelli di apprendimento forti, capaci cioè di trovare ipotesi o regole di previsione con bassi tassi di errore sia per l’insieme di esempi usato nell’addestramento dell’algoritmo, sia per ogni altro possibile campione di esempi estratto successivamente dalla popolazione. I processi di apprendimento computazionale generati e consolidati nell’ambito del Machine Learning, hanno dimostrato grande successo e notevoli potenzialità. A differenza dei sistemi computazionali che implementano programmi precodificati, i processi di apprendimento macchina, cercano di costruire modelli capaci di interpretare classi di concetti della realtà circostante, in maniera autonoma. Tutto ciò avviene, mediante particolari algoritmi di apprendimento, i quali costruiscono i modelli di apprendimento sulla base di insiemi di dati, definiti esempi dei concetti. Poiché tali algoritmi devono essere applicati a fenomeni naturali, le loro

CONSULTA INTEGRALMENTE QUESTA TESI

La consultazione è esclusivamente in formato digitale .PDF

Acquista
Il miglior software antiplagio

L'unico servizio antiplagio competitivo nel prezzo che garantisce l'aiuto della nostra redazione nel controllo dei risultati.
Analisi sicura e anonima al 100%!
Ottieni un Certificato Antiplagio dopo la valutazione.

Informazioni tesi

  Autore: Federico Malara
  Tipo: Laurea II ciclo (magistrale o specialistica)
  Anno: 2010-11
  Università: Università degli Studi di Roma La Sapienza
  Facoltà: Scienze Statistiche
  Corso: Statistica per la ricerca sperimentale
  Relatore: Agostino Di Ciaccio
  Lingua: Italiano
  Num. pagine: 117

FAQ

Per consultare la tesi è necessario essere registrati e acquistare la consultazione integrale del file, al costo di 29,89€.
Il pagamento può essere effettuato tramite carta di credito/carta prepagata, PayPal, bonifico bancario.
Confermato il pagamento si potrà consultare i file esclusivamente in formato .PDF accedendo alla propria Home Personale. Si potrà quindi procedere a salvare o stampare il file.
Maggiori informazioni
Ingiustamente snobbata durante le ricerche bibliografiche, una tesi di laurea si rivela decisamente utile:
  • perché affronta un singolo argomento in modo sintetico e specifico come altri testi non fanno;
  • perché è un lavoro originale che si basa su una ricerca bibliografica accurata;
  • perché, a differenza di altri materiali che puoi reperire online, una tesi di laurea è stata verificata da un docente universitario e dalla commissione in sede d'esame. La nostra redazione inoltre controlla prima della pubblicazione la completezza dei materiali e, dal 2009, anche l'originalità della tesi attraverso il software antiplagio Compilatio.net.
  • L'utilizzo della consultazione integrale della tesi da parte dell'Utente che ne acquista il diritto è da considerarsi esclusivamente privato.
  • Nel caso in cui l’utente che consulta la tesi volesse citarne alcune parti, dovrà inserire correttamente la fonte, come si cita un qualsiasi altro testo di riferimento bibliografico.
  • L'Utente è l'unico ed esclusivo responsabile del materiale di cui acquista il diritto alla consultazione. Si impegna a non divulgare a mezzo stampa, editoria in genere, televisione, radio, Internet e/o qualsiasi altro mezzo divulgativo esistente o che venisse inventato, il contenuto della tesi che consulta o stralci della medesima. Verrà perseguito legalmente nel caso di riproduzione totale e/o parziale su qualsiasi mezzo e/o su qualsiasi supporto, nel caso di divulgazione nonché nel caso di ricavo economico derivante dallo sfruttamento del diritto acquisito.
L'obiettivo di Tesionline è quello di rendere accessibile a una platea il più possibile vasta il patrimonio di cultura e conoscenza contenuto nelle tesi.
Per raggiungerlo, è fondamentale superare la barriera rappresentata dalla lingua. Ecco perché cerchiamo persone disponibili ad effettuare la traduzione delle tesi pubblicate nel nostro sito.
Per tradurre questa tesi clicca qui »
Scopri come funziona »

DUBBI? Contattaci

Contatta la redazione a
[email protected]

Ci trovi su Skype (redazione_tesi)
dalle 9:00 alle 13:00

Oppure vieni a trovarci su

Parole chiave

analisi
statistica
modelli
errore
accuratezza
generalizzazione
cross-validation
stacking
stacking-c
ensemble

Tesi correlate


Non hai trovato quello che cercavi?


Abbiamo più di 45.000 Tesi di Laurea: cerca nel nostro database

Oppure consulta la sezione dedicata ad appunti universitari selezionati e pubblicati dalla nostra redazione

Ottimizza la tua ricerca:

  • individua con precisione le parole chiave specifiche della tua ricerca
  • elimina i termini non significativi (aggettivi, articoli, avverbi...)
  • se non hai risultati amplia la ricerca con termini via via più generici (ad esempio da "anziano oncologico" a "paziente oncologico")
  • utilizza la ricerca avanzata
  • utilizza gli operatori booleani (and, or, "")

Idee per la tesi?

Scopri le migliori tesi scelte da noi sugli argomenti recenti


Come si scrive una tesi di laurea?


A quale cattedra chiedere la tesi? Quale sarà il docente più disponibile? Quale l'argomento più interessante per me? ...e quale quello più interessante per il mondo del lavoro?

Scarica gratuitamente la nostra guida "Come si scrive una tesi di laurea" e iscriviti alla newsletter per ricevere consigli e materiale utile.


La tesi l'ho già scritta,
ora cosa ne faccio?


La tua tesi ti ha aiutato ad ottenere quel sudato titolo di studio, ma può darti molto di più: ti differenzia dai tuoi colleghi universitari, mostra i tuoi interessi ed è un lavoro di ricerca unico, che può essere utile anche ad altri.

Il nostro consiglio è di non sprecare tutto questo lavoro:

È ora di pubblicare la tesi