Spinlasimallit data-analyysissä

Abstract

In this work the application of spinglass models in analysing interactions in binary data was researched. A procedure for learning binary interactions in a given dataset was developed.

The developed procedure is based in bayesian maximum-likelihood estimation. The best estimated model was searched with simulated annealing. Possibilities for optimisation of the simulated annealing algorithm were also investigated.

Test data was generated with sampling methods such as Metropolis sampling, Gibbs sampling and the Propp-Wilson algorithm.

The experimental part of the work was restricted to small models, with which good learning results were achieved. Possibilities for further research and applicability of the method are discussed.

Työssä tutkittiin spinlasimallien soveltuvuutta data-analyysiin mallintamaan binäärisiä vuorovaikutuksia. Työssä kehitettiin menetelmä, jolla annetusta datajoukosta voidaan oppia siinä esiintyvät binääriset vuorovaikutukset.

Kehitetty menetelmä perustuu bayesiläiseen suurimman uskottavuuden maksimointiin. Parhaan selittävän mailin haussa käytettiin simuloitua jäähdytystä, jonka toiminnan optimointimahdollisuuksia myös selvitettiin.

Testidatan generointia varten käytettiin erilaisia otantamenetelmiä, kuten Metropolis- ja Gibbs- otantaa, sekä Propp-Wilson -algoritmia.

Työn kokeellinen osuus rajoittui pienikokoisiin malleihin, joilla saavutettiin hyviä oppimistuloksia. Tutkielman lopussa tarkastellaan jatkotutkimusmahdollisuuksia ja menetelmän käyttökelpoisuutta.