Classifier combination methods in pattern recognition
Örüntü tanımada sınıflandırıcı birleştirme yöntemleri
- Tez No: 129433
- Danışmanlar: PROF. DR. GÜLAY BARBAROSOĞLU, PROF. DR. AYTÜL ERÇİL
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2002
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 118
Özet
Bu tezde sınıflandırma doğruluğunun arttırılması amacıyla, sınıflandırıcı kararlarının birleştirilmesinin methodları üzerinde çalışılmıştır. Bu çalışmada çeşitli sınıflandırıcılar, eğitim metodları ve birleştirme yöntemleri üzerinde durulmuştur. Sınıflandırıcı birleştirme yöntemlerini daha etkin kılmak için kullanılan tüm sınırlandırıcıların sınıf sonuçlarının yanında olasılık değerleri de üretmeleri için çeşitli değişiklikler yapılmıştır. Tüm sınflandırıcı ve birleştirme yöntemleri bütünleşik bir yazılım yapısı altında gerçeklenmiştir. Her seferinde bir adet verinin dışarıda bırakıldığı eğitim metoduyla eğitilen sınırlandırıcıların sonuçlan, önerilen ağırlıklı birleştirme yöntemleri ile birleştirilmiştir. Birleştirme ağırlıkları sınıflandırıcının eğitim seti üzerindeki performansına göre belirlenmiştir. Sınırlandırıcı ve birleştirme yöntemleri, klasik ve önerilen yeni performans ölçütleri ile değerlendirilmiştir. Sınıflandırıcıların güvenilirliklerinin birleştimede kullanılmasının performansı arttırdığı gözlemlenmiştir. Sınıflandırıcı kümesinin, sınırlandırıcılara duyarlılık analizi sonucunda, önerilen çok terimli ağırlık atama metodunun uygulandığı olasılık tabanlı birleştirme yönteminin sınırlandırıcı setindeki sınırlandırıcılara göre oldukça gürbüz olduğu bulunmuştur. Aynı analiz sonucunda sette bulunan en yüksek performanslı sınırlandırıcıdan yüzde bir ila üç arasında daha iyi performans gözlemlenmiştir.
Özet (Çeviri)
This thesis studies methodologies to combine multiple classifiers to improve classification accuracy. Different classifiers, training methods and combination algorithms are covered throughout this study. The classifiers are extended to produce class probability estimates besides their class assignments to be able to combine them more efficiently. They are integrated in a framework to provide a toolbox for classifier combination. The leave-one-out training method is used and the results are combined using proposed weighted combination algorithms. The weights of the classifiers for the weighted classifier combination are determined based on the performance of the classifiers on the training phase. The classifiers and combination algorithms are evaluated using classical and proposed performance measures. It is found that the integration of the proposed reliability measure, improves the performance of classification. A sensitivity analysis shows that the proposed polynomial weight assignment applied with probability based combination is robust to choose classifiers for the classifier set and indicates a typical one to three per cent consistent improvement compared to a single best classifier of the same set.
Benzer Tezler
- Örüntü tanımada altuzay metriklerinin birleştirilmesi
Combining with the subspace metrics on pattern recognition
ŞÜKRAN KÜNKÇÜ
Doktora
Türkçe
2008
Bilim ve TeknolojiEskişehir Osmangazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ATALAY BARKANA
- Sınıf içi ve sınıflar arası dağılımlardan elde edilen ölçütlerin birleştirilerek fonem tanımada kullanılması
Combining criteria obtained from within and between class scatters for phoneme recognition
MEHMET KOÇ
Yüksek Lisans
Türkçe
2006
Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. RİFAT EDİZKAN
- Improving the performance of speaker identification systems by classifier combination techniques
Konuşmacı tanıma sistemlerinin başarımının sınıflandırıcı birleştirme yöntemleri ile iyileştirilmesi
HAKAN ALTINÇAY
Doktora
İngilizce
2000
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
- A Unifying theory for rank-based multiple classifier systems, with applications in speaker identification and speech recognition
Sıralama temelli çoğul sınıflayıcılı sistemler için bütünleştirici bir kuram ve otomatik konuşmacı ve konuşma tanıma uygulamaları
AFŞAR SARANLI
Doktora
İngilizce
2000
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MÜBECCEL DEMİREKLER
- Reducing learning complexity in multi-view classification models
Çok bakışlı sınıflandırma modellerinde öğrenme karmaşıklığının azaltımı
HEYSEM KAYA
Yüksek Lisans
İngilizce
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Bölümü
YRD. DOÇ. DR. OLCAY KURŞUN