Schwarmintelligenz und evolutionäre Algorithmen in ...

Empfehlungen

Info

5 Evaluationsmethoden und Experimente 0.95 Mittlerer absoluter Fehler (MAE) Fitness (mean absolute error) 0.9 0.85 0.8 0.75 0.7 0.65 0 100 200 300 400 500 600 700 800 900 1000 Anzahl Benutzer in Nachbarschaft Abbildung 5.11: Verlauf des MAE für verschiedene Nachbarschaftsgrößen, gemittelt über 10 Benutzer. Gültig für PSOREC, GAREC und IWOREC. die anderen Maße, jedoch kein Maß bei allen Benutzern immer einen niedrigeren Wert ergibt. H 0 für den statistischen Test Lautet, dass es keinen Unterschied zwischen den Abstandmaßen gibt. Der Kruskal-Wallis-Test ergab einen p-Wert von 0.5613, d.h. H 0 kann nicht abgelehnt werden. Mutationswahrscheinlichkeit Es wurde der Parameter für die Wahrscheinlichkeit einer Mutation eines Individuums untersucht. Zwei Tests wurden durchgeführt, einmal mit der Standard-Wahrscheinlichkeit für GAREC von 3% und einmal mit einer Wahrscheinlichkeit von 25%. Der mittlere absolute Fehler für 20 Benutzer der jeweiligen Verfahren ist in Abbildung 5.20 gezeigt. Für 18 von 20 Benutzer ist der MAE bei einer 3%-igen Wahrscheinlichkeit niedriger. Es wurde der Wilcoxon-Test als statistischer Test verwendet. Es ergibt sich ein p- Wert von 0, 03624, d.h. es gibt einen statistisch signifikanten Unterschied. Auswirkung von Fitness-Sharing Es soll die Auswirkung der Fitness-Sharing Erweiterung untersucht werden. Diese Erweiterung soll eine verbesserte Verteilung der Individuen in einer multimodalen Fitnesslandschaft gewährleisten, siehe Abschnitt 4.6.2. Es wurden 20 Benutzer auf ihren MAE Wert untersucht. Die Ergebnisse werden in Abbildung 5.21 mit den Ergebnissen eines GA’s ohne Fitness Sharing verglichen. Man kann erkennen, das bei 14 von 20 Benutzern der MAE Wert mit Fitness-Sharing niedriger ist. Es wurde der Wilcoxon-Test verwendet. Die Nullhypothese H 0 lautet, dass es keinen Unterschied zwischen den beiden Verfahren gibt. Der p-Wert ist 0.01531, d.h. es gibt einen statistisch signifikanten Unterschied. 76
5.3 Experimente -0.2 0.0 0.2 0.4 0.6 -1.0 -0.5 0.0 0.5 1.0 1 2 3 4 5 6 7 8 9 10 12 14 16 18 20 22 1 2 3 4 5 6 7 8 9 10 12 14 16 18 20 22 -10 -5 0 5 -2 -1 0 1 2 3 1 2 3 4 5 6 7 8 9 10 12 14 16 18 20 22 1 2 3 4 5 6 7 8 9 10 12 14 16 18 20 22 Abbildung 5.12: PSOREC: Streuung der Gewichte für Benutzer 19 für einen modizifierten Datensatz, bei dem das Alter (links oben), das Geschlecht (rechts oben), alle demografischen Werte (links unten) und die Genres (rechts unten) weggelassen wurde (für je 50 unabhängige Läufe). Selbstanpassung der Mutationsschritte und Evolution Strategies Nachdem in den vorherigen Paragraphen der Standard-GAREC untersucht wurde, wird nun die in Abschnitt 4.6.3 vorgestellte Variante mit den bisherigen Ergebnissen verglichen. Die Anpassung der Mutationsschritte innerhalb der Evolution der Population kann einen positiven Effekt auf die Stabilität der Gewichte und die Recommenderqualität (MAE) haben, indem sie lokale Optima durch die unterschiedliche Veränderung der Muationsschritte in jeder Dimension überwinden kann. Es wurden zwei Experimente durchgeführt: Zum einen wurde der mittlere absolute Fehler über 20 Benutzer berechnet und mit dem GAREC Verfahren verglichen, siehe dazu die schon erwähnten MAE-Werte in Abbildung 5.18. Es wurde der Wilcoxon-Test für die Stichproben 77
Seite 1 und 2:
Fakultät für Ingenieurwissenschaf
Seite 3 und 4:
Inhaltsverzeichnis 1 Einleitung 1 1
Seite 5 und 6:
1 Einleitung In der heutigen Zeit w
Seite 7 und 8:
2 Recommendersysteme 2.1 Motivation
Seite 9 und 10:
2.3 Übersicht existierende Recomme
Seite 11 und 12:
2.3 Übersicht existierende Recomme
Seite 13 und 14:
2.4 Content-based Filtering Collabo
Seite 15 und 16:
2.5 Collaborative Filtering bewerte
Seite 17 und 18:
2.5 Collaborative Filtering und ¯r
Seite 19 und 20:
2.5 Collaborative Filtering Bei die
Seite 21 und 22:
2.5 Collaborative Filtering Benutze
Seite 23 und 24:
2.7 Überblick über die bisherige
Seite 25 und 26:
2.7 Überblick über die bisherige
Seite 27 und 28:
3 Schwarmintelligenz und evolution
Seite 29 und 30: eiden Chromosome gekreuzt werden, w
Seite 31 und 32: GA ES Typisches Kombinatorische Kon
Seite 33 und 34: Ansatz leitete den Schwarm ohne die
Seite 35 und 36: 3.1 Genetischer Algorithmus 1 BEGIN
Seite 37 und 38: 3.1 Genetischer Algorithmus 0 0 0 0
Seite 39 und 40: 3.2 Particle Swarm Optimization 3.2
Seite 41 und 42: 3.2 Particle Swarm Optimization Abb
Seite 43 und 44: 3.3 Invasive Weed Optimization aus
Seite 45 und 46: 3.3 Invasive Weed Optimization bede
Seite 47 und 48: 4 Recommender mit Schwarmintelligen
Seite 49 und 50: 4.3 Forschungsüberblick Recommende
Seite 51 und 52: 4.5 Particle Swarm Optimization Rec
Seite 57 und 58: 4.6 Genetic Algorithm Recommender (
Seite 63 und 64: 4.7 Invasive Weed Optimization Reco
Seite 65 und 66: 5 Evaluationsmethoden und Experimen
Seite 67 und 68: 5.2 Messverfahren und Qualitätsma
Seite 69 und 70: 5.2 Messverfahren und Qualitätsma
Seite 71 und 72: 5.3 Experimente True positive rate
Seite 73 und 74: 5.3 Experimente zelnen Features ent
Seite 75 und 76: 5.3 Experimente 1.2 1.1 Optimierte
Seite 77 und 78: 5.3 Experimente 0.71546 0.70665 0.7
Seite 79: 5.3 Experimente MAE (mean absolute
Seite 83 und 84: 5.3 Experimente MAE (mean absolute
Seite 85 und 86: 5.3 Experimente -0.2 -0.1 0.0 0.1 0
Seite 87 und 88: 5.3 Experimente 1.2 1.1 Mutationswh
Seite 89 und 90: 5.3 Experimente -0.05 0.00 0.05 0.1
Seite 91 und 92: 5.3 Experimente 1.2 1.1 Mit FPS Ohn
Seite 93 und 94: 6 Diskussion der Ergebnisse In dies
Seite 95 und 96: 6.2 Diskussion IWO und Vergleich zu
Seite 97 und 98: 6.4 Diskussion der Evaluationsmetho
Seite 99 und 100: 6.5 Diskussion der experimentellen
Seite 105 und 106: 6.7 Ausblick Dies ist aber bei den
Seite 107 und 108: 7 Zusammenfassung der Hauptergebnis
Seite 109 und 110: Literaturverzeichnis [1] Adomaviciu
Seite 111 und 112: Literaturverzeichnis [28] Good, N.
Seite 113 und 114: Literaturverzeichnis ; Thrun, Sebas
Seite 115: Name: Matthias Schneider Matrikelnu
Alle anzeigen

Schwarmintelligenz und evolutionäre Algorithmen in ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?