This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Σχεδίαση και ανάπτυξη συστήματος αξιολόγησης της αισθητικής διαδικτυακών εφαρμογών μέσω ανάλυσης
Καθορισμός κέντρων ομάδων ώστε να ελαχιστοποιείται το κριτήριο
Εμφωλευμένες ομάδες με bottom-up προσέγγισηΔιακρίνει ζώνες υψηλής και
χαμηλής πυκνότητας
Αυτοματοποιημένη προ-επεξεργασία: Συμπλήρωση ελλιπών τιμών Αφαίρεση εξωκείμενων τιμών ανά επίπεδο (10% των δειγμάτων) Κλιμακοποίηση και κανονικοποίηση Τυχαία αναδιάταξη των δεδομένων
Αλγόριθμοι Ταξινόμησης: Decision Tree K Nearest Neighbors
Διαχωρισμός του συνόλου δεδομένων εκπαίδευσης σε υποσύνολα ανάλογα με την τιμή των γνωρισμάτων
Χρήση των συνόλων δεδομένων των επιπέδων που επιλέχθηκαν μέσω της ομαδοποίησης
Ταξινόμηση με βάση την πλειοψηφία
193 Μαΐου 2023
Κατασκευή συνδυαστικού μοντέλου αξιολόγησης
Επιβεβαίωση θεματικής κατηγορίας ποιοτικός σχεδιασμόςΛανθασμένη πρόβλεψη ο σχεδιασμός επιδέχεται βελτιώσεις
Διαδικασία αξιολόγησης: Δημιουργία συνόλου δεδομένων Υπολογισμός πιθανοτήτων κατάταξης στις 3 θεματικές κατηγορίες Συνυπολογισμός τιμών βάρους Εύρεση μέσης πιθανότητας κατάταξης σε κάθε κατηγορία Κατάταξη στην κατηγορία με τη μέγιστη πιθανότητα
Σύγκριση με τα πρότυπα σχεδιασμού δημοφιλών ιστοσελίδων!
203 Μαΐου 2023
Πειράματα – ΑποτελέσματαΑνάλυση δεδομένων
Συσχέτιση μετρικών συνολικού dataset
Rhythm – Symmetry Alignment – Regularity
213 Μαΐου 2023
Ανάλυση δεδομένων
Κύριο εύρος τιμών
Alignment – Layer 6
0.65 – 0.8
Cohesion – Layer 1
0.55 – 0.7
Simplicity – Layer 8
Έως 0.1
Συνήθεις τιμές = πρότυπο σχεδίασης
223 Μαΐου 2023
Πειράματα εύρεσης κατάλληλωνεπιπέδων
Παράμετρος
Τιμήπαραμέτρ
ουn_clusters 3
init kmeans++
max_iter 300
n_init 10 Βέλτιστα επίπεδα: 0, 7, 9, 10, 12
Kmeans Agglomerative Hierarchical
DBSCAN X
Παράμετρος
Τιμήπαραμέτρ
ουn_clusters 3
linkageWard,
Average, Complete
233 Μαΐου 2023
Kmeans – επίπεδο 10
243 Μαΐου 2023
Agglomerative Hierarchical – επίπεδο 10 (complete linkage)
253 Μαΐου 2023
Πειράματα κατασκευής μοντέλων πρόβλεψης
10-fold cross-validationΕπίπεδο 10
Παράμετρος
Τιμήπαραμέτρ
ουcriterion gini
min_samples_leaf
2
DECISION TREE - LAYER 10
Class Precision Recall F1-Score Accuracy Αριθμός Δειγμάτων
Class Precision Recall F1-Score AccuracySearch engine 0.83 0.83 0.83 0.83
Εισαγωγή τιμών βάρους
Αποτέλεσμα χωρίς βάρη
283 Μαΐου 2023
Συμπεράσματα – Μελλοντική εργασία
Επιτυχής μοντελοποίηση της αισθητικής Συλλογή απαραίτητων δεδομένων Αυτοματοποιημένη αξιολόγηση αισθητικής Γενικά πρότυπα σχεδίασης Διαφοροποίηση προτύπων σχεδίασης με βάση το θεματικό περιεχόμενο
Δυνατότητα «ανάγνωσης» περισσότερων ιστοσελίδων Βελτίωση μαθηματικών εκφράσεων των μετρικών Προσθήκη περισσότερων μετρικών Προσθήκη περισσότερων θεματικών κατηγοριών Μεγαλύτερο σύνολων δεδομένων
Βελτιώσεις
293 Μαΐου 2023
Ευχαριστίες
Θα ήθελα να ευχαριστήσω τους επιβλέποντες της διπλωματικής μου εργασίας, κ. Ανδρέα Συμεωνίδη και κ. Μιχαήλ Παπαμιχαήλ για τη βοήθεια και την καθοδήγηση που μου προσέφεραν