Global ETD Search

1	Interpretable serious event forecasting using machine learning and SHAP Gustafsson, Sebastian January 2021 (has links) Accurate forecasts are vital in multiple areas of economic, scientific, commercial, and industrial activity. There are few previous studies on using forecasting methods for predicting serious events. This thesis set out to investigate two things, firstly whether machine learning models could be applied to the objective of forecasting serious events. Secondly, if the models could be made interpretable. Given these objectives, the approach was to formulate two forecasting tasks for the models and then use the Python framework SHAP to make them interpretable. The first task was to predict if a serious event will happen in the coming eight hours. The second task was to forecast how many serious events that will happen in the coming six hours. GBDT and LSTM models were implemented, evaluated, and compared on both tasks. Given the problem complexity of forecasting, the results match those of previous related research. On the classification task, the best performing model achieved an accuracy of 71.6%, and on the regression task, it missed by less than 1 on average. / Exakta prognoser är viktiga inom flera områden av ekonomisk, vetenskaplig, kommersiell och industriell verksamhet. Det finns få tidigare studier där man använt prognosmetoder för att förutsäga allvarliga händelser. Denna avhandling syftar till att undersöka två saker, för det första om maskininlärningsmodeller kan användas för att förutse allvarliga händelser. För det andra, om modellerna kunde göras tolkbara. Med tanke på dessa mål var metoden att formulera två prognosuppgifter för modellerna och sedan använda Python-ramverket SHAP för att göra dem tolkbara. Den första uppgiften var att förutsäga om en allvarlig händelse kommer att ske under de kommande åtta timmarna. Den andra uppgiften var att förutse hur många allvarliga händelser som kommer att hända under de kommande sex timmarna. GBDT- och LSTM-modeller implementerades, utvärderades och jämfördes för båda uppgifterna. Med tanke på problemkomplexiteten i att förutspå framtiden matchar resultaten de från tidigare relaterad forskning. På klassificeringsuppgiften uppnådde den bäst presterande modellen en träffsäkerhet på 71,6%, och på regressionsuppgiften missade den i genomsnitt med mindre än 1 i antal förutspådda allvarliga händelser. LSTM GBDT SHAP ML AI Computer Sciences Datavetenskap (datalogi)
2	Gradient Boosted Decision Tree Application to Muon Identification in the KLM at Belle II Benninghoff, Logan Dean 23 May 2024 (has links) We present the results of applying a Fast Boosted Decision Tree (FBDT) algorithm to the task of distinguishing muons from pions in K-Long and Muon (KLM) detector of the Belle II experiment. Performance was evaluated over a momentum range of 0.6 < p < 5.0 GeV/c by plotting Receiver Operating Characteristic (ROC) curves for 0.1 GeV/c intervals. The FBDT model was worse than the benchmark likelihood ratio test model for the whole momentum range during testing on Monte Carlo (MC) simulated data. This is seen in the lower Area Under the Curve (AUC) values for the FBDT ROC curves, achieving peak AUC values around 0.82, while the likelihood ratio ROC curves achieve peak AUC values around 0.98. Performance of the FBDT model in muon identification may be improved in the future by adding a pre-processing routine for the MC data and input variables. / Master of Science / An important task of a high-energy physics experiment is taking the input information provided by detectors, such as the distance a particle travels through a detector, the momentum, and energy deposits it makes, and using that information to identify the particle's type. In this study we test a machine learning model that sorts the particles observed into two categories—muons and pions—by comparing the particle's input values to a threshold value at multiple stages, then assigns a final identity to the particle at the last stage. This is compared to a benchmark model that uses the probabilities that these input variables would be seen from a particle of each type to determine which particle type is most likely. The ability of both models to distinguish muons and pions were tested on simulated data from the Belle II detector, and the benchmark model outperformed the machine learning model. GBDT binary classifier particle physics high-energy physics SuperKEKB
3	Analytisk Studie av Avancerade Gradientförstärkningsalgoritmer för Maskininlärning : En jämförelse mellan XGBoost, CatBoost, LightGBM, SnapBoost, KTBoost, AdaBoost och GBDT för klassificering- och regressionsproblem Wessman, Filip January 2021 (has links) Maskininlärning (ML) är idag ett mycket aktuellt, populärt och aktivt forskat område. Därav finns det idag en stor uppsjö av olika avancerade och moderna ML-algoritmer. Svårigheten är att bland dessa identifiera den mest optimala att applicera på ens tillämpningsområde. Algoritmer som bygger på Gradientförstärkning (eng. Gradient Boosting (GB)) har visat sig ha ett väldigt brett spektrum av appliceringsområden, flexibilitet, hög förutsägelseprestanda samt låga tränings- och förutsägelsetider. Huvudsyftet med denna studie är på klassificerings- och regressiondataset utvärdera och belysa prestandaskillnaderna av 5 moderna samt 2 äldre GB-algoritmer. Målet är att avgöra vilken av dessa moderna algoritmer som presterar i genomsnitt bäst utifrån på flera utvärderingsmått. Initialt utfördes en teoretisk förstudie inom det aktuella forskningsområdet. Algoritmerna XGBoost, LightGBM, CatBoost, AdaBoost, SnapBoost, KTBoost, GBDT implementerades på plattformen Google Colab. Där utvärderades dess respektive, tränings- och förutsägelsestid samt prestandamåtten, uppdelat i ROCAUC och Log Loss för klassificering samt R2 och RMSE för regression. Resultaten visade att det generellt var små skillnader mellan dom olika testade algoritmerna. Med undantag för AdaBoost som i allmänhet, med större marginal, hade den sämsta prestandan. Därmed gick det inte i denna jämförelse utse en klar vinnare. Däremot presterade SnapBoost väldigt bra på flera utvärderingsmått. Modellresultaten är generellt sätt väldigt begränsade och bundna till det applicerade datasetet vilket gör att det överlag är väldigt svårt att generalisera det till andra datauppsättningar. Detta speglar sig från resultaten med svårigheten att identifiera ett ML-ramverk som utmärker sig och presterar bra i alla scenarier. / Machine learning (ML) is today a very relevent, popular and actively researched area. As a result, today there exits a large numer of different advanced and modern ML algorithms. The difficulty is to identify among these the most optimal to apply to one’s area of application. Algorithms based on Gradient Boosting (GB) have been shown to have a very wide range of application areas, flexibility, high prediction performance and low training and prediction times. The main purpose of this study is on classification and regression datasets evaluate and illustrate the performance differences of 5 modern and 2 older GB algorithms. The goal is to determine which of these modern algorithms, on average, performs best on the basis of several evaluation metrics. Initially, a theoretical feasibility study was carried out in the current research area. The algorithms XGBoost, LightGBM, CatBoost, AdaBoost, SnapBoost, KTBoost, GBDT were implemented on the Google Colab platform. There, respective training and prediction time as well as the performance metrics were evaluated, divided into ROC-AUC and Log Loss for classification and R2 and RMSE for regression. The results showed that there were generally small differences between the different algorithms tested. With the exception of AdaBoost which in general, by a larger margin, had the worst performance. Thus, it was not possible in this comparison to nominate a clear winner. However, SnapBoost performed very well in several evaluation metrics. The model results are generally very limited and bound to the applied dataset, which makes it generally very difficult to generalize it to other data sets. This is reflected in the results with the difficulty of identifying an ML framework that excels and performs well in all scenarios. Machine learning Classification Regression XGBoost LightGBM CatBoost AdaBoost SnapBoost KTBoost GBDT ROC-AUC Log Loss R2 RMSE Maskininlärning Klassificering Regression XGBoost LightGBM CatBoost AdaBoost SnapBoost KTBoost GBDT ROC-AUC Log Loss R2 RMSE Software Engineering Programvaruteknik
4	Railway curve squeal: Statistical analysis of train speed impact on squeal noise Asplund, Ruben January 2024 (has links) No description available. ml operation maintenance railway maintenance railway curve machine learning statistics railway train passenger train x60 squeal noise curve squeal squealing noise squeal wheel squeal squealing programming system development computer engineering data visualization data preprocessing industrial computer systems matlab python vibration vibrations vibration signals signals and systems filtering signal processing computer systems communication system infrastructure technology infrastructure track t-test z-test random forest xgboost feature importance speed detection band-pass filter script yaw angle angle of attack decision tree gbdt filter temperature humidity dew point curve radius cloud accelerometers sensors track rail statistical analysis acoustics sound ai artificial intelligence gradient boosting decision trees curve software development drift underhåll järnvägsunderhåll järnvägskurva maskininlärning statistik järnväg tåg x60 skrikljud snäva kurvor kurvradie kurvskrik hjulskrik programmering systemutveckling datateknik data industriella datorsystem matlab python vibration signaler vibrations signaler signaler och system filtrering signalbehandling datorsystem kommunikationssystem infrastrukturteknik infrastruktur spår t-test z-test random forest Södertälje band-pass filter hastighets detektion attackvinkeln anfallsvinkel IMx SKF temperatur fuktighet daggpunkt accelerometer järnvägskurvskrik tåg hastighetens statistisk analys akustik ljud ai kurva kurvor mjukvaruutveckling artificiell intelligens Infrastructure Engineering Infrastrukturteknik Signal Processing Signalbehandling Communication Systems Kommunikationssystem Computer Systems Datorsystem

1

Page generated in 0.0294 seconds