STRATEGIJE ZA RAD SA NEDOSTAJUĆIM VREDNOSTIMA
Ključne reči:
strategije, nedostajuće vrijednosti, algo¬ritmi, mašinsko učenje, predikcija, mobilne aplikacije
Apstrakt
Ovaj rad se bavi predstavljanjem strategija za rad sa nedostajućim vrijednostima i pokazivanjem njihovih prednosti, mana i efikasnosti u kombinaciji sa algoritmima mašinskog učenja prilikom predviđanja popularnosti mobilnih aplikacija.
Reference
[1] D. B. Rubin, “Inference and missing data”, Biometrika 1976.
[2] https://www.kaggle.com/parulpandey/a-guide-to-handling-missing-values-in-python (pristupljeno u septembru 2020.)
[3] Z. Zhang, “Missing data imputation: focusing on single imputation”, 2016.
[4] H. Kang, “The prevention and handling of the missing data”, 2013.
[5] J. Zhang, D. Chen, “Interpolation calculation made EZ”
[6] Jasmina Đ. Novaković, “Rešavanje klasifikacionih problema mašinskog učenja”, 2013.
[7] G. Lee, T. S. Raghu; “Determinants of Mobile Apps Success: Evidence from App Store”, 2014.
[2] https://www.kaggle.com/parulpandey/a-guide-to-handling-missing-values-in-python (pristupljeno u septembru 2020.)
[3] Z. Zhang, “Missing data imputation: focusing on single imputation”, 2016.
[4] H. Kang, “The prevention and handling of the missing data”, 2013.
[5] J. Zhang, D. Chen, “Interpolation calculation made EZ”
[6] Jasmina Đ. Novaković, “Rešavanje klasifikacionih problema mašinskog učenja”, 2013.
[7] G. Lee, T. S. Raghu; “Determinants of Mobile Apps Success: Evidence from App Store”, 2014.
Objavljeno
2021-07-01
Sekcija
Elektrotehničko i računarsko inženjerstvo
