|
|
Analýza ROC křivek zvukových signálů a jejich srovnání
Pospíšil, Lukáš ; Staněk, Miroslav (oponent) ; Poměnková, Jitka (vedoucí práce)
Tato práce se zabývá možností využití ROC křivek pro ohodnocení metod, které pracují se zvukovými signály. Konkrétně se zaměřuje na možnosti detekce stresu v řečových signálech. Samotná detekce je prováděna ve frekvenční oblasti signálů. Z tohoto důvodu se práce snaží nalézt nejlepší metodu pro odhad spektra a řeší se také problematika velikosti spektra vstupních signálů. Je také navržen klasifikátor využívající ROC křivky, který rozhoduje, zda je vstupní signál stresový, nebo nestresový. Výstupem této práce jsou poznatky získané provedením analýz, z kterých jsou následně vyvozena doporučení.
|
|
|
Comparison of Heuristic and Conventional Statistical Methods in Data Mining
Bitara, Matúš ; Žák, Libor (oponent) ; Bednář, Josef (vedoucí práce)
The thesis deals with the comparison of conventional and heuristic methods in data mining used for binary classification. In the theoretical part, four different models are described. Model classification is demonstrated on simple examples. In the practical part, models are compared on real data. This part also consists of data cleaning, outliers removal, two different transformations and dimension reduction. In the last part methods used to quality testing of models are described.
|
|
|
Hodnocení účinnosti klasifikace pomocí ROC křivek
Dluhý, Vojtěch ; Sigmund, Milan (oponent) ; Poměnková, Jitka (vedoucí práce)
Tato semestrální práce je zaměřena na práci s ROC křivkami. Seznamuje čtenáře s oblastí ROC křivek a jejich využití při analýze signálů. Dále ukazuje algoritmus pro detekci sirény ve zvukovém záznamu pomocí jednoduchého algoritmu a vyhodnocení různého zarušení zvuku sirény pomocí zobrazení ROC křivek, doplněného výpočtem a porovnáním ploch pod těmito křivkami (AUC). Algoritmus je napsán ve vývojovém prostředí Matlab.
|
|
|
Analýza experimentálních EKG
Mackových, Marek ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Táto práca sa zaoberá analýzou experimentálnych EKG záznamov vyhotovených na izolovaných králičích srdciach a je zameraná na popis zmien v EKG spôsobených ischémiou a hypertrofiou ľavej srdečnej komory. Pozostáva z teoretického rozboru problematiky hodnotenia EKG pri ischémii a hypertrofii a z popisu experimentálneho snímania EKG. Na teoretickú časť nadväzuje praktická časť, ktorá popisuje spôsob výpočtu morfologických parametrov, ďalej nasleduje ROC analýza pre zhodnotenie ich vhodnosti pre klasifikáciu hypertrofie a v závere samotná klasifikácia.
|
|
|
Detekce fibrilace síní v EKG
Plch, Vít ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá především detekci síňových fibrilací pomocí HRV, klasifikaci Poincarého mapy a následnému rozdělení do dvou skupin pomocí neuronových sítí. Výsledkem je potom rozhodnutí, které veličiny jsou statisticky významné pro identifikaci síňových fibrilací, které ne, a klasifikace signálu na základě těchto veličin pomocí Bayesovy a Lavenberg-Marquardtovy neuronové sítě. Při 23 neuronech ve skryté vrstvě má Bayesova síť nejlepší výsledky, a to F1 measure = 83,6 %, Senzitivita = 88,1 % a Specificitu 94,5 %.
|
|
|
Hodnocení účinnosti klasifikace pomocí ROC křivek
Dluhý, Vojtěch ; Říha, Kamil (oponent) ; Poměnková, Jitka (vedoucí práce)
Tato bakalářská práce je zaměřena na hodnocení účinnosti detekce pomocí ROC křivek. Seznamuje čtenáře s principem základních algoritmů pro odhad spektra signálu, s výpočtem ROC křivky a získáním hodnoty AUC. Dále obsahuje algoritmus pro detekci sirény v zaznamenaném zvuku při zarušení dopravním prostředím o různých hodnotách SNR, který provádí výpočet ROC křivek a hodnot ploch pod nimi a jejich srovnání. Algoritmus je napsán ve vývojovém prostředí Matlab.
|
|
|
Detekce fibrilace síní v EKG
Plch, Vít ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá především detekci síňových pomocí HRV, klasifikaci Poincarého mapy a následnému rozdělení do dvou skupin pomocí neuronových sítí. Výsledkem je potom rozhodnutí, které veličiny jsou statisticky významné pro identifikaci síňových fibrilací, které ne, a klasifikace signálu na základě těchto veličin.
|
|
|
Vlpyv deliaceho bodu na klasifikáciu bankrotných firiem pomocou logitového modelu
Dolnáková, Paulína
Dolnáková, P. Vliv dělícího bodu na klasifikaci bankrotních firem pomocí logitového modelu. Diplomová práce. Brno: Mendelova univerzita v Brně, 2021. Práce se věnuje tvorbě a optimalizaci vlastního predikčního bankrotního logitového modelu. Model vychází z 3 840 podniků střední Evropy, z kterých 47 v roce 2017 zbankrotovalo. Pro porovnání kvality klasifikace jsou jednotlivé modely tvořeny jednak na celkovém datovém setu, ale i s použitím rozdělení dat na trénovací a validační množinu. Při rozdělení se využívá poměr 60/40, kde 60 % podniků tvoří trénovací množinu a zůstávajících 40 % firem tvoří množinu validační a rovněž poměr 70/30. V případě využití trénovací a validační množiny se vytvořilo celkem tisíc simulací. S využitím těchto strategií jsou konstruovány samostatné modely pro jednotlivé sledované roky, na základě údajů z jednoho až tří let před okamžikem možného bankrotu. Kvalita klasifikace vytvořených modelů je posuzovaná jednak ukazatelem celkové správnosti, ale také prostřednictvím senzitivity a ukazatele AUC. Na jednotlivých modelech je názorně představený vliv výšky dělicího bodu na ukazatele kvality klasifikace.
|
|
|
Srovnání modifikací predikčních bankrotních modelů
Bednář, Ondřej
Cílem této práce je porovnat stávající bankrotní modely s jejich novou modifikací, jenž je unikátní pro tuhle práci a mohla by být úspěšnější než její v praxi využívané protějšky. Navrhovaný model je založen na formě logit a jeho obsah se skládá z kombinace vysvětlujících proměnných obsažených v původním Ohlsonově a Altmanově modelu. Finální model je zaměřen na středně veliké společnosti z oblasti EU, které nejsou obchodovány na akciových trzích. Tento model na původních datech dosahuje úspěšnosti predikce 97,1 % (97,4 % pro zdravé a 91,1 % pro bankrotní podniky). Při jeho ověření na verifikačním data setu se podle očekávání úspěšnost sníží, ale i tak dosahuje predikční úspěšnosti 97,1 % (99,3 % pro zdravé a 37,7 % pro bankrotní podniky). Na těchto datech je nový model porovnán s původními a modifikovanými verzemi Ohlsonova i Altmanova (pouze částečně) modelu. V tomto porovnání vychází model jako nejkvalitnější s nejvyšší úspěšností predikce.
|
|
|
Detekce fibrilace síní v EKG
Plch, Vít ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá především detekci síňových fibrilací pomocí HRV, klasifikaci Poincarého mapy a následnému rozdělení do dvou skupin pomocí neuronových sítí. Výsledkem je potom rozhodnutí, které veličiny jsou statisticky významné pro identifikaci síňových fibrilací, které ne, a klasifikace signálu na základě těchto veličin pomocí Bayesovy a Lavenberg-Marquardtovy neuronové sítě. Při 23 neuronech ve skryté vrstvě má Bayesova síť nejlepší výsledky, a to F1 measure = 83,6 %, Senzitivita = 88,1 % a Specificitu 94,5 %.
|
host ::
RSS.