Development of a classifier selection method

V doktorski nalogi opišemo razvoj metode za izbiro klasifikatorja. Glavni prispevek omenjene metode je izbor najustreznejših kombinacij: metode za merjenje točnosti, klasifikacijskega algoritma in velikostjo učne množicev okviru uporabniško definiranih kriterijev. Metoda je splošna in posledično tudi prilagodljiva ter razširljiva. Postopek izvajanja je formalno zapisan v obliki psevdokoda. Za potrebe zagotavljanja teoretične podlage izvedemo tudi več empiričnih raziskav, kjer dobljene rezultate analiziramo s serijo statističnih preizkusov. Izsledki raziskav doprinesejo naslednje prispevke k znanosti. Formalizacija odločitev in kriterijev za izbiro najustreznejše metode za merjenje točnosti. Formalizacija odločitev in kriterijev za izbiro najustreznejšega klasifikacijskega algoritma. Izbor matematičnega modela, ki v splošnem najbolje opiše obliko učnih krivulj. Formalizacija terminalnih kriterijev za določanje najustreznejše velikosti učne množice.In this dissertation we present the development of a classifier selection method. The main contribution of the method is to obtain the most appropriate combinations of: method for measuring accuracy, classification algorithm, and size of the training set --- all in accordance with user-defined criteria. The method is general and therefore adjustable and expandable. The method\u27s procedure is formally defined in the form of pseudo-code. For the purpose of providing theoretical background, several experiments were conducted and their results were analysed with a series of statistical tests. Results of the research yielded the following contributions to science. Formalising decisions and criteria for choosing the most appropriate method for measuring accuracy. Formalising decisions and criteria for choosing the most appropriate classification algorithm. Selecting a best-fit learning curve model. Formalising terminal criteria for selecting the most appropriate train set size