[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-en-105":3,"doc-seo-290485-105":59,"doc-detail-290485-en":130},{"code":4,"msg":5,"data":6},0,"success",[7,13,18,23,28,33,38,43,48,51,55],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},1,"Document","Story & Novel",90,"story-novel",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":16,"slug":17},2,"Literature",80,"literature",{"id":19,"doc_module":4,"doc_module_name":9,"category_name":20,"show_sort_weight":21,"slug":22},4,"Exam",70,"exam",{"id":24,"doc_module":4,"doc_module_name":9,"category_name":25,"show_sort_weight":26,"slug":27},5,"Comic",60,"comic",{"id":29,"doc_module":4,"doc_module_name":9,"category_name":30,"show_sort_weight":31,"slug":32},6,"Technology",50,"technology",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":36,"slug":37},7,"Healthcare",40,"healthcare",{"id":39,"doc_module":4,"doc_module_name":9,"category_name":40,"show_sort_weight":41,"slug":42},8,"Research & Report",30,"research-report",{"id":44,"doc_module":4,"doc_module_name":9,"category_name":45,"show_sort_weight":46,"slug":47},9,"Religion & Spirituality",20,"religion-spirituality",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":49,"show_sort_weight":46,"slug":50},"World Cup","world-cup",{"id":52,"doc_module":4,"doc_module_name":9,"category_name":53,"show_sort_weight":52,"slug":54},10,"Lifestyle","lifestyle",{"id":56,"doc_module":4,"doc_module_name":9,"category_name":57,"show_sort_weight":24,"slug":58},19,"General","general",{"code":4,"msg":60,"data":61},"ok",{"site_id":62,"language":63,"slug":64,"title":65,"keywords":66,"description":67,"schema_data":68,"social_meta":123,"head_meta":125,"extra_data":127,"updated_unix":129},105,"lt","food-scanner-data-classification-using-machine-learning-methods","Maisto produktų kvito duomenų klasifikavimas taikant mašininio mokymosi metodus","","Maisto produktų klasifikavimas į ECOICOP klases yra būtinas harmonizuoto vartotojų kainų indekso skaičiavimui, tačiau reikalauja daug žmogiškųjų išteklių. Darbe taikomi mašininio mokymosi algoritmai maisto produktų pavadinimų pagrindu, naudojant natūraliosios kalbos apdorojimo metodus ir vektorizavimą. Naudoti k-nearest neighbors, logistinės regresijos ir atraminių vektorių klasifikavimo metodai. Išsami analizė rodo, kad geriausias rezultatas pasiekiamas taikant logistinės regresijos klasifikatorių, kurio tikslumas siekia 92,66%, o F1 – 92,61.",{"@graph":69,"@context":122},[70,84,105],{"@type":71,"itemListElement":72},"BreadcrumbList",[73,77,79,82],{"item":74,"name":75,"@type":76,"position":8},"https://docshare.wps.com","Home","ListItem",{"item":78,"name":9,"@type":76,"position":14},"https://docshare.wps.com/document/",{"item":80,"name":40,"@type":76,"position":81},"https://docshare.wps.com/document/research-report/",3,{"item":83,"name":65,"@type":76,"position":19},"https://docshare.wps.com/document/food-scanner-data-classification-using-machine-learning-methods/290485/",{"url":83,"name":65,"@type":85,"image":86,"author":91,"headline":65,"publisher":94,"fileFormat":97,"inLanguage":63,"description":67,"dateModified":98,"datePublished":99,"encodingFormat":97,"isAccessibleForFree":100,"interactionStatistic":101},"DigitalDocument",{"url":87,"@type":88,"width":89,"height":90},"https://docshare.wps.com/thumbnails/food-scanner-data-classification-using-machine-learning-methods/290485.png","ImageObject",300,407,{"name":92,"@type":93},"Aria","Person",{"url":74,"name":95,"@type":96},"DocShare","Organization","application/pdf","2026-10-18","2026-09-17",true,{"@type":102,"interactionType":103,"userInteractionCount":39},"InteractionCounter",{"@type":104},"ViewAction",{"@type":106,"mainEntity":107},"FAQPage",[108,114,118],{"name":109,"@type":110,"acceptedAnswer":111},"Koks darbo tikslas?","Question",{"text":112,"@type":113},"Pritaikyti mašininio mokymosi algoritmus maisto produktų kvito duomenų klasifikavimui pagal produktų pavadinimus į ECOICOP klases.","Answer",{"name":115,"@type":110,"acceptedAnswer":116},"Kokie algoritmai naudojami klasifikavimui?",{"text":117,"@type":113},"Naudojami natūraliosios kalbos apdorojimo metodai, o klasifikavimui taikomi k artimiausių kaimynų, logistinės regresijos ir atraminių vektorių metodai.",{"name":119,"@type":110,"acceptedAnswer":120},"Kuris klasifikatorius parodė geriausius rezultatus ir kokie rodikliai?",{"text":121,"@type":113},"Geriausi klasifikavimo rezultatai pasiekti taikant logistinės regresijos algoritmą: tikslumas 92,66%, preciziškumas 92,72%, atkūrimas 92,66% ir F1 92,61%.","https://schema.org",{"og:url":83,"og:type":124,"og:title":65,"og:site_name":95,"og:description":67},"article",{"robots":126,"canonical":83},"index,follow",{"doc_id":128,"site_id":62},290485,1789641809,{"code":4,"msg":5,"data":131},{"doc_id":128,"user_id":132,"nickname":92,"user_avatar":133,"doc_module":4,"category_id":39,"category_name":40,"doc_title":65,"doc_description":67,"doc_content":134,"file_id":135,"file_url":136,"file_type":137,"file_size":138,"view_count":39,"is_deleted":4,"is_public":8,"is_downloadable":8,"audit_status":8,"page_count":139,"language":140,"language_code":63,"site_id":62,"html_lang":141,"table_of_contents":142,"faqs":143,"seo_title":144,"seo_description":67,"update_tm":129,"read_time":145,"preview_page_count":4},2336464648322,"https://ap-avatar.wpscdn.com/avatar/2200025388227c56fec?_k=1778556882303663488","VILNIAUS UNIVERSITETAS  \nMATEMATIKOS IR INFORMATIKOS FAKULTETAS DUOMENU˛ MOKSLO BAKALAURO STUDIJU˛ PROGRAMA  \nMaisto produktu˛ kvito duomenu˛ klasifikavimas taikant mašininio mokymosi metodus  \nFood Scanner Data Classification Using Machine Learning Methods  \nBaigiamasis bakalauro darbas  \nAutorius: Egle˙ Kondrataite˙  \nVU el. p.: [egle.kondrataite@mif.stud.vu.lt](egle.kondrataite@mif.stud.vu.lt)  \nDarbo vadovas: Dr. Gražina Korvel  \nVilnius  \nMaisto produktu˛ kvito duomenu˛ klasifikavimas taikant mašininio mokymosi  \nmetodus  \nSantrauka  \nProduktu˛ klasifikavimas i˛ ECOICOP klases yra svarbus etapas skaičiuojant suderintą vartotoju˛ kainu˛ indeksą . Kadangi klasifikavimas reikalauja daug žmogišku˛ju˛ ištekliu˛ yra svarbu automatizuoti toki˛ procesą . Tode˙l šio baigiamojo darbo tikslas yra pritaikyti mašininio mokymosi algoritmus maisto produktu˛, pagal ju˛ pavadinimą, klasifikavimui. Šiam tikslui i˛gyvendinti buvo naudojami nat¯uraliosios kalbos apdorojimo metodai ir k artimiausiu˛ kaimynu˛, logistine˙s regresijos ir atraminiu˛ vektoriu˛ klasifikavimo algoritmai, kurie pritaikyti maisto produktu˛ kvito duomenims. Išsami analize˙ atskleide˙ , jog mašininio mokymosi algoritmai geba priskirti ECOICOP klasę maisto produktamspagal ju˛ pavadinimą . Geriausias klasifikavimo rezultatas pasiektas taikant logistine˙s regresijos klasifikavimo algoritmą, kurio tikslumas – 92,66 procentai, preciziškumas – 92,72, atk¯urimo statistika – 92,66 ir F1 statistika – 92,61 .  \nRaktiniai žodžiai: Kvito duomenys, Klasifikavimas, Mašininio mokymosi algoritmai, Logistine˙ regresija, k artimiausiu˛ kaimynu˛ algoritmas, Atraminiu˛ vektoriu˛ algoritmas, Nat¯uraliosios kalbosapdorojimo metodai, TF-IDF, CounVectorizer  \nFood Scanner Data Classification Using Machine Learning Methods  \nAbstract  \nThe classification of products into ECOICOP classes is an important stage in the calculation of the harmonized consumer price index. Since classification requires a lot of human resources, it is important to automate such a process. Therefore, the aim of this bachelor’s thesis is to apply machine learning algorithms to the classification of food products based on their name. To achieve this goal, natural language processing techniques and k-nearest neighbors, logistic regression, and support vector machine classification algorithms were applied to food scanner data. Detailed analysis revealed that machine learning algorithms are able to assign an ECOICOP class to food products based on their name. The best classification result was achieved using logistic regression classification algorithm with an accuracy of 92,66 percent, precision of 92,72, recall of 92,66, and F1 statistic of 92,61 .  \nKeywords: Scanner data, Classification, Machine learning algorithms, Logistic regression, Knearest neighbors algorithm, Support vector machine, Nat¯ural language proccessing techniques, TF-IDF, CounVectorizer  \nŽyme˙jimai  \nECOICOP – Europos individualaus vartojimo išlaidu˛ pagal paskirti˛ klasifikatorius. TF-IDF – termino dažnis-atvirkštinis dokumento dažnis.  \nKNN – k artimiausiu˛ kaimynu˛ metodas.  \nLR – logistine˙s regresijos metodas.  \nSVM – atraminiu˛ vektoriu˛ metodas.  \nTurinys  \n1 I˛vadas 4  \n2 Literat¯uros apžvalga 5  \n3 Metodologija 6  \n3.1 Nat¯uraliosios kalbos apdorojimo metodai ......................... 6  \n3.1.1 Pirminis teksto apdorojimas ............................ 6  \n3.1.2 CountVectorizer metodas ............................. 6  \n3.1.3 TF-IDF metodas .................................. 6  \n3.2 Klasifikavimas ........................................ 7  \n3.2.1 k artimiausiu˛ kaimynu˛ metodas .......................... 7  \n3.2.2 Logistine˙ regresija ................................. 7  \n3.2.3 Atraminiu˛ vektoriu˛ metodas ............................ 9  \n3.2.4 Tikslumo metrikos ................................. 10  \n3.2.5 Kryžmine˙ validacija ................................ 10  \n3.2.6 Hiperparametrai .................................. 10  \n4 Tiriamasis skyrius ","cbCaijG07j9st0NL","https://ap.wps.com/l/cbCaijG07j9st0NL","pdf",590645,58,"Lithuanian","en","# Įvadas\n# Literatūros apžvalga\n# Metodologija\n## Natūraliosios kalbos apdorojimo metodai\n## Klasifikavimas\n# Tiriamasis skyrius\n## Duomenų aibė\n## Pirminis teksto apdorojimas\n## Pradinė duomenų analizė\n## Vektorizavimo metodų taikymas\n## Klasifikavimo metodų taikymas\n# Išvados\n# Literatūra\n# Priedai","[{\"question\":\"Koks darbo tikslas?\",\"answer\":\"Pritaikyti mašininio mokymosi algoritmus maisto produktų kvito duomenų klasifikavimui pagal produktų pavadinimus į ECOICOP klases.\"},{\"question\":\"Kokie algoritmai naudojami klasifikavimui?\",\"answer\":\"Naudojami natūraliosios kalbos apdorojimo metodai, o klasifikavimui taikomi k artimiausių kaimynų, logistinės regresijos ir atraminių vektorių metodai.\"},{\"question\":\"Kuris klasifikatorius parodė geriausius rezultatus ir kokie rodikliai?\",\"answer\":\"Geriausi klasifikavimo rezultatai pasiekti taikant logistinės regresijos algoritmą: tikslumas 92,66%, preciziškumas 92,72%, atkūrimas 92,66% ir F1 92,61%.\"}]","Maisto produktų kvito duomenų klasifikavimas taikant mašininio mokymosi metodus | PDF",146]