Incremental learning with ensemble based SVM classifiers for non-stationary environments
Dinamik ortamlarda SVM sınıflayıcı topluluğu ile aşamalı öğrenme
- Tez No: 181289
- Danışmanlar: PROF. DR. FİKRET GÜRGEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2006
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Bu tezde, Learn++ algoritması ile oluşturulmuş bir destek vektör makinesi (DVM)topluluğunun değişken (dinamik) bir ortamdaki sınıflandırma başarısı değerlendirilmiş vebu algoritmanın dinamik ortama uyum sağlayabilmesi için eski geçersiz bilgiyi unutmamekanizmasının kullanılması önerilmiştir.Birçok uygulamada, probleme ait veriler geniş bir zaman aralığında toplanır veverinin temelini oluşturan dağılım zaman içerisinde değişebilir. Bu da eski veri üzerindegerçeklenmiş olan modelin yeni veriler ile uyumsuz olmasına sebep olur ve bu durumdamodelin düzenli olarak güncellenmesi gerekmektedir. Dinamik bir ortamda önerilen birsınıflama modelinin başarılı olabilmesi için değişimin sınıflama modeli tarafından farkedilmesi ve modelin yeni ortama hızlı bir şekilde uyum sağlaması gerekir. Bu daoluşturulmuş olan modelin yeni örneklerle güncellenmesi ve eski geçersiz bilgininunutulmasıyla sağlanır.Learn++, sınıflayıcı topluluğu oluşturarak aşamalı öğrenmeyi sağlayan biralgoritmadır ve yeni bilgiye uyum sağlama, yeni bilgiyi öğrenme becerisine sahiptir.Dolayısıyla, geçersiz bilgileri unutmasını sağlayacak bir yöntem kullanılarak kolaycadinamik ortamlar için uyumlu hale dönüştürülebilir. Bu tezde Learn++ kullanılarakoluşturulmuş bir DVM topluluğunun dinamik ortamlara uyumlu hale getirilebilmesi içintopluluğu oluşturan sınıflayıcıların başarısını baz alan bir unutma yönteminin kullanılmasıöneriliyor. Tüm sınıflayıcılar içerisinde en başarılı K sınıflayıcı veya belli bir eşik değerüzerinde sınıflandırabilen sınıflayıcılar topluluk içerisinde tutularak bu sağlanmış oluyor.Sonuçlarımız gösteriyor ki, önerilen algoritma yavaş değişen ortamlarda, oluşturulanmodelin sınıflama başarısını artırmaktadır.
Özet (Çeviri)
In this thesis, we evaluate the performance of support vector machines (SVM)ensemble, which is constructed by using Learn++ algorithm, on changing environment andpropose incorporating forgetting mechanism to adapt this algorithm to changingenvironment.In most of the real world applications, the data is collected over an extended periodof time and the distribution underlying the data is likely to change by time. These changesmake the model built on old data inconsistent with the new data, and regular updating ofthe model is necessary. For effective learning in a changing environment, the algorithmshould be able to detect context change and quickly adjust the hypothesis to the currentcontext. This can be achieved by revising the model by incorporating new examples andeliminating the effect of outdated concepts.Learn++ is an ensemble based incremental learning algorithm that is able to learnnew information. Therefore, it can be easily adapted to changing environments by using aforgetting mechanism to remove the redundant data from the ensemble. In this thesis, wepropose using a forgetting strategy that is based on the performance of the base classifiers.Only the best K classifiers or the classifiers whose classification performance exceeds athreshold value are kept in the ensemble.Our results indicate that incorporating forgetting mechanism improves theclassification performance of the proposed algorithm on a changing environment. Theproposed algorithm can effectively handle the gradual changes.
Benzer Tezler
- GOOWE-ML: A novel online stacked ensemble for multi-label classification in data streams
GOOWE ML: Veri akışlarında çok-etiketli sınıflandırma için yeni bir üst-öğrenicili çoklu-sınıflandırıcı
ALİCAN BÜYÜKÇAKIR
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FAZLI CAN
- Incremental construction of cost-conscious ensembles using multiple learners and representations in machine learning
Yapay öğrenmede çoklu öğrenici ve gösterimleri kullanarak maliyet bilinçli kümelerin artırımlı oluşturulması
MEHMET AYDIN ULAŞ
Doktora
İngilizce
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Bölümü
PROF. DR. ETHEM ALPAYDIN
- Effects of missing data on tree based ensemble multitask learning method
Başlık çevirisi yok
HASAN CAN KARAPINAR
- Hand gesture recognition for Turkish sign language using electromyography for human-robot interaction
İnsan-robot etkileşimi için elektromyografi kullanarak Türk işaret dili için el hareketi tanıma
MUSTAFA SEDDIQI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HATİCE KÖSE
- Prediction of protein-protein interaction sites using an ensemble learning method
Topluluk öğrenme yöntemi kullanılarak protein-protein etkileşim bölgelerinin tahmini
ENGİN AYBEY
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiSağlık Biyoinformatiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜR GÜMÜŞ