Εφαρμογή μηχανικής μάθησης στην ανάλυση δεδομένων αλιείας : μελέτη περίπτωσης με Apache Spark

Η διπλωματική εργασία εστιάζει στην αξιολόγηση τριών διαφορετικών μοντέλων μηχανικής μάθησης: Decision Tree, Random Forest και Linear Regression, για την πρόβλεψη δεδομένων σχετικά με την αλιεία. Αναλύονται οι αποδόσεις των μοντέλων μέσω των μετρικών Mean Squared Error (MSE), R-squared (R2), και Roo...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Γκίκας, Μάριος
Άλλοι συγγραφείς: Gkikas, Marios
Γλώσσα:Greek
Έκδοση: 2024
Θέματα:
Διαθέσιμο Online:https://hdl.handle.net/10889/26548
Περιγραφή
Περίληψη:Η διπλωματική εργασία εστιάζει στην αξιολόγηση τριών διαφορετικών μοντέλων μηχανικής μάθησης: Decision Tree, Random Forest και Linear Regression, για την πρόβλεψη δεδομένων σχετικά με την αλιεία. Αναλύονται οι αποδόσεις των μοντέλων μέσω των μετρικών Mean Squared Error (MSE), R-squared (R2), και Root Mean Squared Error (RMSE), με το Random Forest να εμφανίζει την καλύτερη απόδοση, ακολουθούμενο από τη γραμμική παλινδρόμηση και τέλος το Decision Tree. Στο διάγραμμα διασποράς της γραμμικής παλινδρόμησης παρατηρείται καλή ακρίβεια σε μεσαίες τιμές, αλλά και σημαντικές αποκλίσεις για ακραίες τιμές. Το διάγραμμα μπάρας των συντελεστών αναδεικνύει τις μεταβλητές με μεγαλύτερη επίδραση στις προβλέψεις, υποδεικνύοντας πιθανές περιοχές βελτίωσης και δίνοντας ερμηνευτικότητα στο μοντέλο. Η μελλοντική εργασία μπορεί να εστιάσει στη βελτίωση των μοντέλων για ακραίες τιμές, με την εξερεύνηση μη γραμμικών μοντέλων, τεχνικών μηχανικής χαρακτηριστικών και βαθύτερης έρευνας στις λιγότερο επηρεαστικές μεταβλητές. Τα ευρήματα της εργασίας έχουν σημαντικές επιπτώσεις σε τομείς όπως η διαχείριση της αλιείας, η πολιτική λήψη αποφάσεων και οι λειτουργικές στρατηγικές, παρέχοντας πολύτιμες πληροφορίες για τους ενδιαφερόμενους και τους λήπτες αποφάσεων.