04579ntm a22005417i 4500 000722917 CZ-PrVSE 20250608110309.0 m d cr n|||||||||| 250608s2025 xr fsbm 000 0 cze d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Janošíková, Lucie ISIS:149306 dis Evaluation of the results of classification tasks eng Hodnocení výsledků klasifikačních úloh / Lucie Janošíková 2025 ?? stran : digital, PDF soubor Vedoucí práce: Hana Řezanková Diplomová práce (Ing.)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, 2025 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2025 Klasifikace dat představuje jednu z klíčových oblastí statistiky. Práce stručně představuje vybrané klasifikační metody, přičemž hlavní důraz je kladen na metody hodnocení výsledků klasifikačních úloh. Popsány jsou klasifikační tabulky pro binární i nebinární úlohy a z nich odvozené metriky, stejně jako pokročilejší míry úspěšnosti a souhlasu, například Cohenovo kappa, Matthewsův korelační koeficient nebo Brier skóre. Praktická část práce obsahuje analýzu několika datových souborů, které zahrnují jak reálná data z různých odvětví, tak uměle generované soubory pro binární klasifikaci i pro klasifikaci pro více tříd. Na každý datový soubor jsou aplikovány vybrané modely a jejich výstupy jsou vyhodnoceny pomocí představených metrik. Cílem práce je posoudit vhodnost metrik při hodnocení klasifikačních úloh v různých typech dat. V závislosti na vlastnostech dat, některé metriky mohou poskytovat odlišné nebo zavádějící informace. Analýza ukazuje, že AUC (Area Under Curve) je spolehlivou metrikou pro měření rozlišovací schopnosti modelu, zejména v binárních úlohách. Přesnost a úplnost se ukázaly jako klíčové při interpretaci výkonnosti v nerovnoměrně rozdělených třídách, kde každá z těchto metrik zachycuje jiný aspekt chyb klasifikace. Pro posouzení kvality pravděpodobnostních predikcí byly použity Brier skóre a logaritmická ztráta. V úlohách s více než dvěma třídami bylo hodnocení složitější, avšak metriky jako AUC nebo logaritmická ztráta stále poskytovaly srovnatelné výsledky. Dále byla zkoumána role Lasso regularizace, která měla pozitivní vliv na hodnoty AUC i Brier skóre, zejména u nevyvážených dat, u kterých přispěla ke zlepšení úplnosti méně zastoupených tříd. Po aplikaci Lasso byly výsledky modelů stabilnější a méně náchylné k přeučení, což vedlo k lepší generalizaci na nevyv U logistické regrese a lineární diskriminační analýzy se po aplikaci Lasso zlepšila schopnost modelu rozlišovat mezi třídami, zatímco klasifikační stromy vykázaly pokles výkonu, protože redukce dimenzionality odstranila některé důležité proměnné. Hlavním přínosem práce je systematické porovnání evaluačních ukazatelů a jejich interpretací, které může sloužit jako návod pro volbu vhodné metriky pro konkrétní klasifikační úlohy. Způsob přístupu: Internet statistika [obor dipl. práce] diplomové práce fd132022 czenas master's theses eczenas Klasifikační úlohy klasifikační tabulka binární klasifikace klasifikace pro více tříd míry úspěšnosti a souhlasu Řezanková, Hana, 1956- ola2004231522 ths Šulc, Zdeněk vse20191023055 opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/85753/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/85753 Hlavní práce https://insis.vse.cz/zp/85753/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/85753/posudek/oponent/85722 Oponentura https://insis.vse.cz/zp/85753/priloha/31038 Přiloha k práci https://insis.vse.cz/zp/85753/podrobnosti dc:identifier NEPOSILAT VSKP vse85753 250605 85753