Bayesian learning under nonnormality
Normal dağılıma sahip olmama varsayımı altında bayes öğrenmesi
- Tez No: 153247
- Danışmanlar: DOÇ. DR. FERDA NUR ALPASLAN, DOÇ. DR. AYŞEN AKKAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bayes öğrenmesi, Normal olmayan dağılımlar, Genelleştirilmiş Sekant Hiperbolik, Genelleştirilmiş Lojistik, Güçlülük, Bayesian Learning, Non-normality, Generalized Secant Hyperbolic, Generalized Logistic, Robustness. IV
- Yıl: 2004
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
oz NORMAL DAĞILIMA SAHİP OLMAMA VARSAYIMI ALTINDA BAYES ÖĞRENMESİ Yılmaz, Yıldız Elif Yüksek Lisans, Bilgisayar Mühendisliği Tez Yöneticisi : Doç. Dr. Ferda Nur Alpaslan Ortak Tez Yöneticisi : Doç. Dr. Ayşen (Dener) Akkaya Aralık 2004, 72 sayfa Bayes öğrenmesinde naive Bayes sınırlandırıcısı ve en çok olabilirlik önsavları için hata terimlerinin normal olmayan dağılıma sahip olması durumu düşünülmüştür. Uyarlanmış en çok olabilirlik metodu ile yerleştirme ve ölçek parametreleri için etkin ve sağlam tahmin ediciler elde edilmiştir. Naive Bayes sınıflandırıcısında hata terimi dağılımlarının sınıftan sınıfa ve özellikten özelliğe özdeş olmadığı varsayılmıştır ve normal dağılımı yerine Genelleştirilmiş Sekant Hiperbolik (GSH) ve Genelleştirilmiş Lojistik (GL) dağılım aileleri kullanılmıştır. Bu yolla elde edilen normal olmayan naive Bayes sınırlandırıcısı, normallik varsayımına dayanana göre verileri daha doğru sınıflandırdığı gösterilmiştir. Ayrıca geleneksel en çok olabilirlik yaklaşımına göre daha iyi sonuçlar veren normal olmama varsayımı altında en çok olabilirlik önsavları elde edilmiştir.
Özet (Çeviri)
ABSTRACT BAYESIAN LEARNING UNDER NONNORMALITY Yılmaz, Yıldız Elif M.S., Department of Computer Engineering Supervisor : Assoc. Prof. Dr. Ferda Nur Alpaslan Co-Supervisor : Assoc. Prof. Dr. Ayşen (Dener) Akkaya December 2004, 72 pages Naive Bayes classifier and maximum likelihood hypotheses in Bayesian learning are considered when the errors have non-normal distribution. For location and scale parameters, efficient and robust estimators that are obtained by using the modified maximum likelihood estimation (MML) technique are used. In naive Bayes classifier, the error distributions from class to class and from feature to feature are assumed to be non-identical and Generalized Secant Hyperbolic (GSH) and Generalized Logistic (GL) distribution families have been used instead of normal distribution. It is shown that the non-normal naive Bayes classifier obtained in this way classifies the data more accurately than the one based on the normality assumption. Furthermore, the maximum likelihood (ML) hypotheses are obtained under the assumption of non-normality, which also produce better results compared to the conventional ML approach.
Benzer Tezler
- A hierarchical bayesian model of learning and decision making in anxiety
Başlık çevirisi yok
GÜNER SERRA YAĞIŞ
- Contextual multi-armed bandits with structured payoffs
Yapılandırılmış getirili bağlamsal çok kollu haydutlar
MUHAMMAD ANJUM QURESHI
Doktora
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEM TEKİN
- Zeki sınıflandırma ve kümeleme yöntemlerinin tıbbi tanı ve tedavide kullanımı
The usage of intelligent classification and clustering methods in medical diagnosis and treatment
UĞUR ERKİN KOCAMAZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN TAŞKIN
- Learning Bayesian network parameters from small data sets by using ranked nodes method
Az miktarda veriden sıralı düğümler yöntemi ile Bayes ağı parametrelerinin öğrenilmesi
SILA İŞYAR
Yüksek Lisans
İngilizce
2020
Endüstri ve Endüstri MühendisliğiHacettepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARBAROS YET
DR. ÖĞR. ÜYESİ CEREN TUNCER ŞAKAR
- Comparison of bayesian network structure learning algorithms and a new approach based on hill climbing algorithm
Veriden bayes ağ yapısı öğrenme algoritmalarının karşılaştırılması ve tepe tırmanma algoritmasına yeni bir yaklaşım
ŞERAF ADALİ
Yüksek Lisans
İngilizce
2004
Endüstri ve Endüstri MühendisliğiBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. TANER BİLGİÇ