Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39554Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Μπαλαδήμας, Κωνσταντίνος | el |
| dc.date.accessioned | 2025-10-22T07:19:57Z | - |
| dc.date.available | 2025-10-22T07:19:57Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39554 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Κατασκευή χαρακτηριστικών | el |
| dc.subject | Γραμματική εξέλιξη | el |
| dc.subject | Γενετικός αλγόριθμος | el |
| dc.subject | QFC | el |
| dc.subject | QFcGUi | el |
| dc.title | Κατασκευή χαρακτηριστικών με γραμματική εξέλιξη | el |
| dc.title | Feature construction using grammatical evolution | en |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Τεχνητή νοημοσύνη | el |
| heal.classification | Μηχανική μάθηση | el |
| heal.classification | Εξελικτικοί αλγόριθμοι | el |
| heal.classification | Γραμματική εξέλιξη | el |
| heal.dateAvailable | 2025-10-22T07:20:57Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2025-10 | - |
| heal.abstract | Η κατασκευή χαρακτηριστικών με Γραμματική Εξέλιξη (Grammatical Evolution, GE) αποτελεί μια ισχυρή τεχνική για τη βελτίωση της απόδοσης των αλγορίθμων μηχανικής μάθησης. Ωστόσο, η παραμετροποίηση τέτοιων μεθόδων είναι συχνά μια απαιτητική και χρονοβόρα διαδικασία. Ο διττός σκοπός της παρούσας εργασίας ήταν, αφενός, η ανάπτυξη μιας ολοκληρωμένης γραφικής διεπαφής χρήστη (GUI) για την υπάρχουσα υλοποίηση της μεθόδου QFC, και αφετέρου, η εκτενής πειραματική αξιολόγηση της αποτελεσματικότητάς της. Η εφαρμογή QFcGUi, αναπτυγμένη σε C++/Qt, παρέχει ένα ευέλικτο περιβάλλον για τη ρύθμιση παραμέτρων, τη διαχείριση δεδομένων μέσω στρωματοποιημένης δειγματοληψίας, και την εκτέλεση πειραμάτων. Για την αξιολόγηση, αναπαράχθηκαν τα πειράματα της εργασίας αναφοράς του Tsoulos (2022) σε μια σειρά από σύνολα δεδομένων κατηγοριοποίησης και παλινδρόμησης. Τα πειραματικά αποτελέσματα επιβεβαίωσαν την αποτελεσματικότητα της μεθόδου, καθώς η κατασκευή χαρακτηριστικών οδήγησε σε στατιστικά σημαντική βελτίωση της απόδοσης στις περισσότερες περιπτώσεις. Ενδεικτικά, στο σύνολο δεδομένων wdbc, η εφαρμογή της μεθόδου FCMLP μείωσε το ποσοστό σφάλματος στο 3.51%, βελτιώνοντας σημαντικά το baseline MLP (5.26%). Παράλληλα, αναδείχθηκε η αξιοσημείωτη απόδοση του ταξινομητή MLP όταν εκπαιδεύεται με Γενετικό Αλγόριθμο (Genetic Algorithm, GA), ο οποίος σε ορισμένες περιπτώσεις αποδείχθηκε ανώτερος ακόμα και από τα αποτελέσματα της εργασίας αναφοράς. Συμπερασματικά, η εργασία αυτή παρέχει ένα χρήσιμο, ανοιχτού κώδικα εργαλείο για την ερευνητική κοινότητα και επιβεβαιώνει εμπράκτως ότι η αυτόματη κατασκευή χαρακτηριστικών μέσω GE αποτελεί μια εξαιρετικά αποτελεσματική τεχνική για την ενίσχυση της προβλεπτικής ικανότητας των μοντέλων, αναδεικνύοντας ταυτόχρονα το υπολογιστικό κόστος και τις συνθήκες υπό τις οποίες η μέθοδος είναι πιο αποδοτική. | el |
| heal.abstract | Feature Construction through Grammatical Evolution (GE) is a powerful technique for improving the performance of machine learning algorithms. However, the parameterization of such methods is often a demanding and time-consuming process. The dual purpose of this thesis was, firstly, to develop a comprehensive graphical user interface (GUI) for the existing implementation of the QFC method, and secondly, to conduct an extensive experimental evaluation of its effectiveness. The QFcGUi application, developed in C++/Qt, provides a flexible environment for parameter tuning, data management through stratified sampling, and experiment execution. For the evaluation, the experiments from the reference paper by Tsoulos (2022) were reproduced on a series of classification and regression datasets. The experimental results confirmed the effectiveness of the method, as feature construction led to a statistically significant performance improvement in most cases. Indicatively, on the wdbc dataset, the FCMLP method reduced the error rate to 3.51%, significantly improving upon the MLP baseline (5.26%). Furthermore, the notable performance of the MLP classifier when trained with a Genetic Algorithm (GA) was highlighted, which in some cases proved superior even to the results of the reference paper. In conclusion, this work not only provides a useful, open-source tool for the research community but also empirically confirms that automatic feature construction via GE is a highly effective technique for enhancing the predictive power of models, while simultaneously highlighting the computational cost and the conditions under which the method is most efficient. | en |
| heal.advisorName | Τσούλος, Ιωάννης | el |
| heal.committeeMemberName | Τσούλος, Ιωάννης | el |
| heal.committeeMemberName | Γιαννακέας, Νικόλαος | el |
| heal.committeeMemberName | Καρβέλης, Πέτρος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 290 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΠΤΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε. Μπαλαδήμας Κωνσταντίνος (2025).pdf | 7.57 MB | Adobe PDF | View/Open | |
| appendix.html | 445.01 kB | HTML | View/Open |
This item is licensed under a Creative Commons License
