By leveraging historical data together with machine learning algorithms, marketers can predict how new campaigns are likely to perform before launch. This approach can save time and resources and can help marketers optimize campaigns in current time through adjustments to increase return on investment (ROI) and reach the right target group. The objective of this thesis is to develop a predictive model through the application of feature selection techniques to assess the likability of a campaign. This study aims to identify the key features that significantly influence campaign likability and to quantify their impact. The task has been approached as a regression problem, with the objective of examine what predictors drives the liking of a campaign. The study implemented four methods for feature selection, recursive feature elimination with cross validation conjucted with random forest, lasso regression, ridge regression and decision trees. Further, to model, the following machine learning algorithms were employed: linear regression, ridge regression with cross validation, lasso regression with cross validation, elastic net with cross validation, kernel ridge regression and support vector regression. Based on the machine learning algorithm and the available data, the results indicate that the set of features generated by recursive feature elimination with cross validation combined with random forest was the most prominent and the algorithm support vector regression generated the best models. / Genom att använda historisk data tillsammans med maskininlärningsalgoritmer kan marknadsförare prediktera hur nya kampanjer sannolikt kommer att prestera innan de lanseras. Denna strategi kan spara tid och resurser och hjälpa marknadsförare att optimera kampanjer i realtid genom justeringar för att öka avkastningen på investeringen och nå rätt målgrupp. Målet med denna avhandling är att utveckla en prediktiv modell genom tillämpning av metodiker för variabelselektion för att bedöma sannolikheten för att en kampanj kommer att vara omtyckt. Denna studie syftar till att identifiera de nyckelvariabler som signifikant påverkar kampanjens popularitet och kvantifiera deras påverkan. Uppgiften behandlas som ett regressionsproblem för att identifiera vilka prediktorer som bidrar till ett positivt helhetsintryck av en kampanj. Studien implementerade fyra metoder för urval av variableselektion: rekursiv variabelselektion med korsvalidering kombinerad med random forest, lasso-regression, ridge-regression och beslutsträd. Dessutom användes följande maskininlärningsalgoritmer för modellering: linjär regression, ridge regression med korsvalidering, lasso regression med korsvalidering, elastiskt nät med korsvalidering, kernel ridge regression och stödvektorsregression. Baserat på maskininlärningsalgoritmerna och det tillgängliga datat indikerar resultaten att uppsättningen av funktioner genererad av rekursiv variabelselektion med korsvalidering kombinerad med random forest var mest framträdande och att algoritmen stödvektorregression genererade de bästa modellerna.

No description available.

Electronic Control Unit (ECU) is a crucial component in today’s vehicle. In a complete vehicle, there are many ECUs installed. Each of these controls a single function of the vehicle. During the development cycle of an ECU, its functionality needs to be validated against the requirement specification. The Hardware-in-the-loop (HIL) method is commonly used to do this by testing the ECU in a virtual representation of its controlled system. One crucial part of the HIL testing method is an intermediary component that acts as a bridge between the simulation computer and the ECU under test. This component runs a parameterized real-time system that translates messages from the simulation computer to the ECU under test and vice versa. It has a strict real-time requirement for each of its tasks to complete.A logging and monitoring system is needed to ensure that the intermediary component is functioning correctly. This functionality is implemented in the form of low priority additional tasks that run concurrently with the high priority message translation tasks. The implementation of these tasks, alongside with a distributed system to support the logging and monitoring functionality, is presented in this thesis work.Several execution time measurements are carried out to get the information on how the parameters of a task affect its execution time. Then, the linear regression analysis is used to model the execution time estimation of the parameterized tasks. Finally, the time demand analysis is utilized to provide a guarantee that the system is schedulable. / Elektronisk styrenhet (ECU) är en viktig del i dagens fordon. I ett komplett fordon finns det många ECU installerade. Var och en av dessa kontrollerar en enda funktion hos fordonet. Under en utvecklingscykel för en ecu måste dess funktionalitet valideras mot kravspecifikationen. HIL-metoden (Hardware-in-the-loop) används vanligtvis för att göra detta genom att testa ECU i en virtuell representation av sitt styrda system. En viktig del av HIL-testmetoden är en mellanliggande komponent som fungerar som en bro mellan simuleringsdatorn och den ecu som testas. Denna komponent driver ett parametrerat realtidssystem som översätter meddelanden från simuleringsdatorn till ECU som testas och vice versa. Det har en strikt realtidskrav för att alla uppgifter ska kunna slutföras.Ett loggnings och övervakningssystem behövs för att den mellanliggande komponenten ska fungera korrekt. Denna funktionalitet är implementerad i form av extraordinära uppgifter med låg prioritet som körs samtidigt med de högsta prioritetsuppgifterna för översättningstjänster. Genomförandet av dessa uppgifter, tillsammans med ett distribuerat system för att stödja loggnings och övervakningsfunktionaliteten, presenteras i detta avhandlingararbete.Flera utförandetidsmätningar utförs för att få information om hur parametrarna för en uppgift påverkar dess körtid. Därefter används den linjära regressionsanalysen för att modellera exekveringstidestimeringen av de parametrerade uppgifterna. Slutligen används tidsanalysanalysen för att garantera att systemet är schemaläggbart.