Schwarmintelligenz und evolutionäre Algorithmen in ...

Empfehlungen

Info

5 Evaluationsmethoden und Experimente MAE (mean absolute error) 1.4 1.3 1.2 1.1 1 0.9 0.8 0.7 0.6 0.5 0.4 Nullvektor zufälliger Vektor kein Resetting 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Benutzer Abbildung 5.16: PSOREC: MAE für 20 Benutzer und verschiede Ansätze zur Reinitialisierung der Partikel im PSOREC Algorithmus. menten für 50 unabhängige Läufe in Abbildung 5.23 als Boxplots dargestellt. Es wurden die Standardparameter aus Tabelle 4.1 für das IWOREC Verfahren verwendet. Verschiedene Abstandsmaße Die vier Abstandsmaße wurden für das PSOREC Verfahren untersucht. Für 20 Benutzer sind in Abbildung 5.24 die MAE Werte für die jeweilgen Maße aufgeführt. Die Pearsonkorrelation ist in 10 von 20 Fällen das beste Maß, der euklidische Abstands in keinem der Fälle. Für den statistischen Test lautet H 0 , dass es keinen Unterschied zwischen den Maßen gibt. Der p-Wert, ermittelt durch den Kruskal-Wallis-Test, ist 0.7524. D.h. H 0 kann nicht abgelehnt werden. Wahl der IWO Parameter Es wurden für die Wahl der Standardabweichung σ für die Ausbreitungsweite der Samen im IWO Algorithmus verschiedene Werte getestet. In Abbildung 5.25 ist der MAE für alle ganzzahligen Werte von 1 bis 50 für σ aufgeführt. Für jeden dieser Werte wurden für 20 Benutzer aus dem MovieLens Datensatz die besten MAE Werte aus 5 unabhängigen Läufen ausgewählt und der Mittelwert berechnet. Ab einem σ von ca. 25 ist ein Anstieg des MAE zu erkennen. FPS Strategie für IWO Es wurde die in Abschnitt 4.7.2 besprochene Fitness proportional selection als Alternative für die Auswahl der Nachkommen untersucht. Der Standard für IWOREC ist eine Fitness-based Selektion. In Abbildung 5.26 ist der mittlere absolute Fehler für 20 Benutzer dargestellt. Bei 15 von 20 Benutzern ergibt sich für das Verfahren ohne FPS ein niedriger 80
5.3 Experimente -0.2 -0.1 0.0 0.1 0.2 0.3 0.4 1 2 3 4 5 6 7 8 9 10 12 14 16 18 20 22 -0.2 0.0 0.2 0.4 0.0 0.1 0.2 0.3 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 5.17: PSOREC: Boxplots der Streuung der einzelnen Gewichtswerte bei 50 unabhängigen Läufen für Benutzer 12. In der oberen Abbildung wurde kein Random Resetting verwendet, links unten wurde der neue Geschwindigkeitsvektor zufällig generiert und rechts unten in allen Dimensionen auf 0 gesetzt. MAE Wert. Der Wilcoxon-Test für diese beiden Stichproben ergab einen p-Wert von 0.02148, d.h. es gibt einen statistisch signifikanten Unterschied. 81
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 und 80: 5.3 Experimente MAE (mean absolute
Seite 81 und 82: 5.3 Experimente -0.2 0.0 0.2 0.4 0.
Seite 83: 5.3 Experimente MAE (mean absolute
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?