Optimization of surrogate model settings using landscape analysis

Tato práce se zaměřuje na výběr vhodného nastavení náhradních modelů v algoritmu DTS-CMA-ES pomocí fitness landscape analysis. Porovnává několik přístupů pro doporučování náhradních modelů pomocí různých statistických modelů. Mezi porovnané techniky patří klasifikace, klasifikace do více tříd a regrese. Pro každou techniku je použito několik modelů a jejich správnost klasifikace je porovnána pomocí přesnosti, senzitivity, specificity a F1 skóre.This thesis focuses on selecting the most suitable settings of surrogate models in DTS-CMA-ES algorithm using a fitness landscape analysis. Thesis compares different approaches for recommending the most suitable surrogate models with a variety of statistical models. Compared approaches are derived from classification, multi-label classification, and regression methods. For each method, few different statistical models are trained and their classification correctness is assessed with accuracy, sensitivity, specificity, and F1 score