📄Работа №125194
Тема: Методы решения задачи регрессии
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
База данных
Объем:
33 листов
Год:
2019
Просмотров:
194
4800
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 4
1 Постановка задачи 3
1.1 Цели работы 3
1.2 Правила игры PlayerUnknown’s Battlegrounds 4
1.3 Описание базы данных 6
2 Предобработка данных 9
2.1 Exploratory data analysis 9
2.2 Feature engineering 13
2.3 Сжатие памяти 15
3 Алгоритмы машинного обучения 16
3.1 Задача регрессии 16
3.2 Нейронные сети 17
3.3 Random forest 18
3.4 Gradient boosting machine 19
3.5 Обзор используемых технологий 20
4 Оптимизация гиперпараметров 21
4.1 Описание алгоритма GridSearch 21
4.2 Сэмплирование 22
4.3 Поиск гиперпараметров для нейронной сети 22
4.4 Поиск гиперпараметров для случайного леса 23
4.5 Поиск гиперпараметров для градиентного бустинга 23
5 Результаты работы 25
5.1 Калибровка модели 25
5.2 Результаты работы моделей 25
6 Анализ модели градиентного бустинга 27
7 Заключение 29
Список литературы 30
1 Постановка задачи 3
1.1 Цели работы 3
1.2 Правила игры PlayerUnknown’s Battlegrounds 4
1.3 Описание базы данных 6
2 Предобработка данных 9
2.1 Exploratory data analysis 9
2.2 Feature engineering 13
2.3 Сжатие памяти 15
3 Алгоритмы машинного обучения 16
3.1 Задача регрессии 16
3.2 Нейронные сети 17
3.3 Random forest 18
3.4 Gradient boosting machine 19
3.5 Обзор используемых технологий 20
4 Оптимизация гиперпараметров 21
4.1 Описание алгоритма GridSearch 21
4.2 Сэмплирование 22
4.3 Поиск гиперпараметров для нейронной сети 22
4.4 Поиск гиперпараметров для случайного леса 23
4.5 Поиск гиперпараметров для градиентного бустинга 23
5 Результаты работы 25
5.1 Калибровка модели 25
5.2 Результаты работы моделей 25
6 Анализ модели градиентного бустинга 27
7 Заключение 29
Список литературы 30
📖 Аннотация
В работе рассматриваются методы решения задачи регрессии на примере прогнозирования итогового места игрока в многопользовательской видеоигре PlayerUnknown’s Battlegrounds. Актуальность исследования обусловлена практической потребностью в эффективных аналитических подходах для обработки специфических игровых данных, что является типичной задачей в соревнованиях по машинному обучению и индустрии анализа данных. Методология включает предобработку данных, feature engineering и сравнительный анализ алгоритмов: нейронных сетей, случайного леса и градиентного бустинга, с оптимизацией гиперпараметров методом GridSearch. В результате построена модель градиентного бустинга, показавшая наилучшую эффективность и вошедшая в топ-16% решений соответствующего соревнования на платформе Kaggle. Практическая значимость результатов заключается в возможности их применения специалистами по анализу данных для решения схожих прогнозных задач в игровой индустрии и смежных областях, а также в использовании описанного конвейера обработки данных и построения моделей в образовательных целях. Обзор литературы охватывает ключевые работы по алгоритмам машинного обучения и используемым технологическим стекам. Таким образом, работа демонстрирует полный цикл решения прикладной задачи регрессии, от первичного анализа данных до интерпретации итоговой модели.
📖 Введение
Машинное обучение — одна из самых бурно развивающихся отраслей прикладной математики в последнее десятилетие. Все крупные компании имеют свои собственные отделы по анализу данных, что позволяет оптимизировать производство. В связи с этим появился огромный спрос на квалифицированных специалистов в области машинного обучения. Одним из способов обмена опытом и получения новых навыков в этой отрасли являются соревнования по машинному обучению.
Данная исследование основано на работе с базой данных о сыгранных партиях в популярную многопользовательскую видеоигру PlayerUnknown’s Battlegrounds. На сайте kaggle.com с октября 2018 г. по январь 2019 г. проводилось соревнование по машинному обучению по предсказанию места, занятого игроком в рамках одной партии в PlayerUnknown’s Battlegrounds.
Эта база данных обладает своими особенностями, поэтому она интересна для анализа и разнообразных экспериментов.
Работа состоит из 7 глав и введения. В 1 главе определяются цели работы, и приводится постановка задачи. Глава 2 содержит описание необходимых преобразований данных. В 3 главе кратко описываются используемые алгоритмы машинного обучения. Глава 4 содержит описание процесса обучения моделей. В 5 главе сравниваются результаты полученных моделей. Глава 6 содержит краткий анализ одной из построенных моделей. В 7 главе описаны итоги работы.
Данная исследование основано на работе с базой данных о сыгранных партиях в популярную многопользовательскую видеоигру PlayerUnknown’s Battlegrounds. На сайте kaggle.com с октября 2018 г. по январь 2019 г. проводилось соревнование по машинному обучению по предсказанию места, занятого игроком в рамках одной партии в PlayerUnknown’s Battlegrounds.
Эта база данных обладает своими особенностями, поэтому она интересна для анализа и разнообразных экспериментов.
Работа состоит из 7 глав и введения. В 1 главе определяются цели работы, и приводится постановка задачи. Глава 2 содержит описание необходимых преобразований данных. В 3 главе кратко описываются используемые алгоритмы машинного обучения. Глава 4 содержит описание процесса обучения моделей. В 5 главе сравниваются результаты полученных моделей. Глава 6 содержит краткий анализ одной из построенных моделей. В 7 главе описаны итоги работы.
✅ Заключение
В ходе работы получены следующие результаты:
• применены различные алгоритмы машинного обучения для решения исходной задачи,
• подробно описан процесс предобработки данных и поиска лучшей модели,
• приведено сравнение полученных результатов между собой, работа лучшей модели попадает в топ-16% среди участников соревнования,
• приведён краткий анализ лучшей из полученных моделей.
• применены различные алгоритмы машинного обучения для решения исходной задачи,
• подробно описан процесс предобработки данных и поиска лучшей модели,
• приведено сравнение полученных результатов между собой, работа лучшей модели попадает в топ-16% среди участников соревнования,
• приведён краткий анализ лучшей из полученных моделей.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.