Geri Dön

Incremental learning with ensemble based SVM classifiers for non-stationary environments

Dinamik ortamlarda SVM sınıflayıcı topluluğu ile aşamalı öğrenme

  1. Tez No: 181289
  2. Yazar: AYCAN YALÇIN
  3. Danışmanlar: PROF. DR. FİKRET GÜRGEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2006
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. FAZLI CAN

  2. 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

    İngilizce

    2009

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Bölümü

    PROF. DR. ETHEM ALPAYDIN

  3. 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

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HATİCE KÖSE

  4. Prediction of protein-protein interaction sites using an ensemble learning method

    Topluluk öğrenme yöntemi kullanılarak protein-protein etkileşim bölgelerinin tahmini

    ENGİN AYBEY

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Sağlık Biyoinformatiği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGÜR GÜMÜŞ