Primena mašinskog učenja u problemu nedostajućih podataka pri razvoju prediktivnih modela
Application of machine learning to the problem of missing data in the development of predictive models
Author
Vrbaški, DunjaMentor
Kupusinac, AleksandarDoroslovački, Ksenija
Committee members
Ivetić, DraganProtić, Jelica
Stokić, Edita
Sladić, Goran
Kupusinac, Aleksandar
Doroslovački, Ksenija
Metadata
Show full item recordAbstract
Problem nedostajućih podataka je često prisutan prilikom razvoja prediktivnih modela. Umesto uklanjanja podataka koji sadrže vrednosti koje nedostaju mogu se primeniti metode za njihovu imputaciju. Disertacija predlaže metodologiju za pristup analizi uspešnosti imputacija prilikom razvoja prediktivnih modela. Na osnovu iznete metodologije prikazuju se rezultati primene algoritama mašinskog učenja, kao metoda imputacije, prilikom razvoja određenih, konkretnih prediktivnih modela.
The problem of missing data is often present when developing predictive models. Instead of removing data containing missing values, methods for imputation can be applied. The dissertation proposes a methodology for analysis of imputation performance in the development of predictive models. Based on the proposed methodology, results of the application of machine learning algorithms, as an imputation method in the development of specific models, are presented.