Predlagali smo praktično poglobljeno statistično primerjavo (pDSC), ki upošteva praktično signifikantnost pri pripravi statistične primerjave metaheurističnih stohastičnih optimizacijskih algoritmov za eno-kriterijsko optimizacijo. Za doseganje praktične signifikantnosti sta predlagani dve različici standardne razvrstitvene sheme DSC. Prva se imenuje zaporedni pDSC in upošteva praktično signifikantnost s predhodno obdelavo neodvisno izvedenih optimizacij v zaporednem vrstnem redu. Druga se imenuje Monte Carlo pDSC s katero se izognemo odvisnosti prepoznavanja praktične signifikantnosti od vrstnega reda izvedb optimizacij. Analiza prepoznavanja praktične signifikantnosti na primerjalnih testih za eno-kriterijske probleme kaže, da v nekaterih primerih obe različici pDSC, v primerjavi s pristopom šahovskega sistema ocenjevanja za evolucijske algoritme (CRS4EA), vračate drugačne zaključke. Predobdelava za potrebe prepoznavanja praktične signifikantnosti se izvaja na podoben način, vendar obstajajo primeri, ko se sklepi za praktično signifikantnost razlikujejo, kar pa izhaja iz različnih statističnih konceptov, ki se uporabljajo za določitev praktične signifikantnosti.
COBISS.SI-ID: 32837159
Priporočilni sistemi uporabljajo metode za obdelavo velikih količin podatkov in se pogosto uporabljajo v različnih socialnih omrežjih, e-trgovini in vsebinskih platformah. Z vse večjo uveljavitvijo spletne platforme in razvijalci potrebujejo boljše načine kako izbirati sisteme, ki so najbolj primerni za njihove namene uporabe. Raziskovalna literatura o priporočilnih sistemih predlaga množico mer za oceno uspešnosti različnih algoritmov. Za končnega uporabnika pa takšno veliko število razpoložljivih mer ne pripomore veliko k odločitvi kateri algoritem naj bo uporabljen. Nekatere mere so korelirane, medtem ko se druge ukvarjajo z različnimi vidiki uspešnosti priporočanja, kot sta natančnost in pokritje. Za reševanje tega problema predlagamo novo ogrodje za primerjalno analizo, ki združi različne mere ocenjevanja in omogoča razvrstiti priporočilne sisteme za vsak nabor referenčnih podatkov posebej. Poleg tega naš pristop odkriva nabore koreliranih mer, kot tudi nabore mer, ki so medsebojno najmanj korelirane. Preučujemo robustnost predlagane metodologije z uporabo objavljenih rezultatov eksperimentalnih študij, ki vključujejo več velikih naborov podatkov in ocenitvenih mer. Naše delo nudi splošno ogrodje, ki lahko obravnava poljubno število ocenitvenih mer in pomaga končnim uporabnikom razvrstiti sisteme, ki so jim na voljo.
COBISS.SI-ID: 33220391
DSCTool je statistično orodje za primerjavo uspešnosti stohastičnih optimizacijskih algoritmov na posamezni testni funkciji (tj. analiza nad enim problemom) ali naboru testnih funkcij (tj. analiza nad več problemi). V DSCTool so implementirani nedavno predlagani pristop, imenovan poglobljena statistična primerjava (DSC) in njegove različice. DSC razvrsti optimizacijske algoritme glede na primerjavo porazdelitev dobljenih rešitev problema namesto z uporabo neke preproste statistike, kot sta povprečna in srednja vrednost. Uvrstitve, pridobljene za posamezen problem, podajajo razmerja med uspešnostmi uporabljenih algoritmov. Za primerjavo optimizacijskih algoritmov pri analizi nad več problemi je potrebno za razvrstitev, pridobljeno nad naborom problemov, uporabiti ustrezen statistični test. Glavna prednost DSCTool orodja so njegove spletne storitve REST, kar pomeni, da je do vseh njegovih funkcionalnosti mogoče dostopati iz katerega koli programskega jezika. V tem prispevku smo podrobno predstavili DSCTool s primeri njegove uporabe.
COBISS.SI-ID: 32930343