Geri Dön

Bayesian learning under nonnormality

Normal dağılıma sahip olmama varsayımı altında bayes öğrenmesi

  1. Tez No: 153247
  2. Yazar: YILDIZ ELİF YILMAZ
  3. Danışmanlar: DOÇ. DR. FERDA NUR ALPASLAN, DOÇ. DR. AYŞEN AKKAYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Bayes öğrenmesi, Normal olmayan dağılımlar, Genelleştirilmiş Sekant Hiperbolik, Genelleştirilmiş Lojistik, Güçlülük, Bayesian Learning, Non-normality, Generalized Secant Hyperbolic, Generalized Logistic, Robustness. IV
  7. Yıl: 2004
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. A hierarchical bayesian model of learning and decision making in anxiety

    Başlık çevirisi yok

    GÜNER SERRA YAĞIŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    PsikolojiUniversity of London Goldsmiths College

    DR. MARİA HERROJO RUİZ

  2. Contextual multi-armed bandits with structured payoffs

    Yapılandırılmış getirili bağlamsal çok kollu haydutlar

    MUHAMMAD ANJUM QURESHI

    Doktora

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CEM TEKİN

  3. 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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    PROF. DR. HARUN TAŞKIN

  4. 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

    İngilizce

    2020

    Endüstri ve Endüstri MühendisliğiHacettepe Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BARBAROS YET

    DR. ÖĞR. ÜYESİ CEREN TUNCER ŞAKAR

  5. 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

    İngilizce

    2004

    Endüstri ve Endüstri MühendisliğiBoğaziçi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TANER BİLGİÇ