Diplomová práce se zabývá modelováním bonity obcí pomocí metody Support Vector Machines (klasifikační metodou). Cílem práce je navrhnutí optimálního klasifikátoru pomocí metody Support Vector Machine, která je schopena stanovit co nejpřesnější zařazení jednotlivých obcí do tříd. Pro tuto práci byly využity data o obcích Pardubického kraje. Tyto obce byly předem klasifikovány do tříd pomocí Kohonenových map.
Úvodní část diplomové práce je věnována základním pojmům z oblasti týkající se bonity obcí a metodám, které se zabývají jejich ohodnocováním. Tato část se také dále věnuje metodě Support Vector Machine ve všeobecnosti a z hlediska klasifikace. Další část práce je věnována popisu vstupních dat použitých k modelování, předzpracováním dat a následnému návrhu vhodného klasifikátoru pomocí metody Support Vector Machine. Návrh modelu byl uskutečněn v programovém prostředí Weka The University of Waikato. Tento programový prostředek obsahuje nástroje, jako je předzpracování dat, třídění, regrese, shlukování, spojení pravidla, a další. Weka je také vhodná pro rozvíjení nového směru a to strojového učení. Další část práce se zabývá analýzou výsledků a vytvořením jednoduché uživatelské příručky uvedeného programového prostřeku.
Anotace v angličtině
The thesis deals with modelling of municipal rating by Support Vector Machines (classification method). The aim of the work is to propose optimal classifier by Support Vector Machines method, which is able to rank particular municipalities to the classes. In this work there were used data about Pardubice region municipalities. These municipalities were classified by Kohonen maps in advance.
The introductory part is devoted to the basic terms of municipal rating and methods which deals with its evaluation. This part further deals with Support Vector Machines method in general and classification point of view. Next part is devoted to the description of data which were used for modelling, data preprocessing and proposal of optimal classifier by Support Vector Machines method. The model proposal was realized within Weka The University of Waikato environment. This software contains the tools for data preprocessing, classification, regression and other. Weka is suitable for development of new trend, namely machine learning. Next part deals with the results analyze and creation of simple user’s manual.
Klíčová slova
bonita obcí, podpůrné vektory, metoda SVM, programový prostředek Weka
Klíčová slova v angličtině
municipal rating, support vectors, support vector machine, Weka programing
Rozsah průvodní práce
67
Jazyk
CZ
Anotace
Diplomová práce se zabývá modelováním bonity obcí pomocí metody Support Vector Machines (klasifikační metodou). Cílem práce je navrhnutí optimálního klasifikátoru pomocí metody Support Vector Machine, která je schopena stanovit co nejpřesnější zařazení jednotlivých obcí do tříd. Pro tuto práci byly využity data o obcích Pardubického kraje. Tyto obce byly předem klasifikovány do tříd pomocí Kohonenových map.
Úvodní část diplomové práce je věnována základním pojmům z oblasti týkající se bonity obcí a metodám, které se zabývají jejich ohodnocováním. Tato část se také dále věnuje metodě Support Vector Machine ve všeobecnosti a z hlediska klasifikace. Další část práce je věnována popisu vstupních dat použitých k modelování, předzpracováním dat a následnému návrhu vhodného klasifikátoru pomocí metody Support Vector Machine. Návrh modelu byl uskutečněn v programovém prostředí Weka The University of Waikato. Tento programový prostředek obsahuje nástroje, jako je předzpracování dat, třídění, regrese, shlukování, spojení pravidla, a další. Weka je také vhodná pro rozvíjení nového směru a to strojového učení. Další část práce se zabývá analýzou výsledků a vytvořením jednoduché uživatelské příručky uvedeného programového prostřeku.
Anotace v angličtině
The thesis deals with modelling of municipal rating by Support Vector Machines (classification method). The aim of the work is to propose optimal classifier by Support Vector Machines method, which is able to rank particular municipalities to the classes. In this work there were used data about Pardubice region municipalities. These municipalities were classified by Kohonen maps in advance.
The introductory part is devoted to the basic terms of municipal rating and methods which deals with its evaluation. This part further deals with Support Vector Machines method in general and classification point of view. Next part is devoted to the description of data which were used for modelling, data preprocessing and proposal of optimal classifier by Support Vector Machines method. The model proposal was realized within Weka The University of Waikato environment. This software contains the tools for data preprocessing, classification, regression and other. Weka is suitable for development of new trend, namely machine learning. Next part deals with the results analyze and creation of simple user’s manual.
Klíčová slova
bonita obcí, podpůrné vektory, metoda SVM, programový prostředek Weka
Klíčová slova v angličtině
municipal rating, support vectors, support vector machine, Weka programing
Zásady pro vypracování
Charakterizujte možnosti ohodnocovania obcí (stanovenie ich bonity).
Analyzujte vstupný vektor parametrov (pre nasledujúcu klasifikáciu).
Charakterizujte SVM vo všeobecnosti a z hľadiska klasifikácie.
Navrhnite model na klasifikáciu vektora parametrov bonity obcí pomocou SVM.
V programovom prostredí MATLAB, prípadne v inom prostredí, verifikujte navrhnutý model.
Uskutočnite analýzu výsledkov.
Vytvorte používateľskú príručku daného programového prostredia.
Zásady pro vypracování
Charakterizujte možnosti ohodnocovania obcí (stanovenie ich bonity).
Analyzujte vstupný vektor parametrov (pre nasledujúcu klasifikáciu).
Charakterizujte SVM vo všeobecnosti a z hľadiska klasifikácie.
Navrhnite model na klasifikáciu vektora parametrov bonity obcí pomocou SVM.
V programovom prostredí MATLAB, prípadne v inom prostredí, verifikujte navrhnutý model.
Uskutočnite analýzu výsledkov.
Vytvorte používateľskú príručku daného programového prostredia.
Seznam doporučené literatury
1. OLEJ, V. - HÁJEK, P.: Modelling Municipal Rating by Unsupervised Methods. WSEAS Transactions on Systems, WSEAS Press, Issue 7, Vol.5, July 2006, pp.1679-1686, ISSN 1109-2777.
2. HÁJEK, P. - OLEJ,V.: Modelling Municipal Rating by Cluster Analysis and Neural Networks. Proc. of the 7-th WSEAS International Conference on Neural Networks, NN 2006, Cavtat, Croatia, June 12-14, 2006, pp.73-78, ISBN 960-8457-46-7.
3. OLEJ, V.: Modelovanie ekonomických procesov na báze výpočtovej inteligencie. [Vedecká monografia], Miloš Vognar - M&V, ISBN 80-903024-9-1, Hradec Králové, Česká republika, 2003, 160s.
4. HÁJEK, P.-OLEJ, V.: Municipal Creditworthiness Modelling by means of Fuzzy Inference Systems and Neural Networks. Proc. of 4th Int. Conference on Information Systems and Technology Management, TECSI-FEA USP, Sao Paulo, Brazil, May 30-June 01, 2007, pp.586-608, ISBN 978-99693-02-5.
5. HÁJEK, P.-OLEJ, V.: Municipal Creditworthiness Modelling by Clustering Methods. Proc. of the 10th Internatiolal Conference on Engineering Applications of Neural Networks, EANN 2007, Margaritis, Illiadis, Eds.,. Thessaloniky, Greece, August 29-August 31, 2007, pp.168-177, ISBN 978-960-287-093-8.
6. KVASNIČKA, V. a kol.: Úvod do teórie neurónových sietí. Iris, Bratislava, 1997.
7. ABE, S.: Support Vector Machines for Pattern Classification. Springer-Verlag, London, 2005.
Seznam doporučené literatury
1. OLEJ, V. - HÁJEK, P.: Modelling Municipal Rating by Unsupervised Methods. WSEAS Transactions on Systems, WSEAS Press, Issue 7, Vol.5, July 2006, pp.1679-1686, ISSN 1109-2777.
2. HÁJEK, P. - OLEJ,V.: Modelling Municipal Rating by Cluster Analysis and Neural Networks. Proc. of the 7-th WSEAS International Conference on Neural Networks, NN 2006, Cavtat, Croatia, June 12-14, 2006, pp.73-78, ISBN 960-8457-46-7.
3. OLEJ, V.: Modelovanie ekonomických procesov na báze výpočtovej inteligencie. [Vedecká monografia], Miloš Vognar - M&V, ISBN 80-903024-9-1, Hradec Králové, Česká republika, 2003, 160s.
4. HÁJEK, P.-OLEJ, V.: Municipal Creditworthiness Modelling by means of Fuzzy Inference Systems and Neural Networks. Proc. of 4th Int. Conference on Information Systems and Technology Management, TECSI-FEA USP, Sao Paulo, Brazil, May 30-June 01, 2007, pp.586-608, ISBN 978-99693-02-5.
5. HÁJEK, P.-OLEJ, V.: Municipal Creditworthiness Modelling by Clustering Methods. Proc. of the 10th Internatiolal Conference on Engineering Applications of Neural Networks, EANN 2007, Margaritis, Illiadis, Eds.,. Thessaloniky, Greece, August 29-August 31, 2007, pp.168-177, ISBN 978-960-287-093-8.
6. KVASNIČKA, V. a kol.: Úvod do teórie neurónových sietí. Iris, Bratislava, 1997.
7. ABE, S.: Support Vector Machines for Pattern Classification. Springer-Verlag, London, 2005.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Existují nějaké další metody jež byly aplikovány na Vámi řešený problém a jež by se daly s Vámi dosaženými výsledky porovnat?
Jaký je rozdíl mezi umělou a výpočetní inteligencí z hlediska reprezentace znalostí?
Jak velká byla výsledná matice?
Jak dlouho trval vlastní výpočet?