Selecting from an ensemble of experts for machine learning
Yapay öğrenme için bir uzmanlar kümesinden seçim yapma
- Tez No: 200091
- Danışmanlar: PROF.DR. ETHEM ALPAYDIN
- 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: 98
Özet
iüOZETüğ ËşË ËYAPAY OGRENME ICIN BIR UZMANLARü Ë şËKUMESINDEN SECIM YAPMAKarar birleştirme tek üğrenicili sistemlerin başarımını artırmak işin son yıllardas og s cyaygınlaşmıştır. Bir sınıï¬andırıcı kümesinin kullanımındaki temel düşunce, farklı sınıf-ss u usülandırıcılar tarafından yanlış sınıï¬andırılmış ürüntülerin aynı olmayabileceği ve birbirinis so u u gtamamlayan sınıï¬andırıcıların kararlarını uygun şekilde birleştirerek yanlış sınıï¬andırmas s shatasının azaltılabileceğidir.gSınıï¬andırıcı seşme ile kaynaşım farklıdır: Seşmede verilen bir girdi işin birc s c ckümedeki modellerin sadece bir veya birkaşı kullanılır, kaynaşımda ise girdi işin tümu c s c umodeller bir sonuş verir ve bu sonuşlar genel sonucu hesaplayabilmek işin ürneğinc c cogortalamaları alınarak birleştirilir. Bu şalışmada, yazındaki bazı sınıï¬andırıcı seşmes cs cmetodlarını karşılaştırmalı olarak inceliyoruz. Bir deneme verisi verildiğinde temelss gsınıï¬andırıcılar kümesinden en uygun alt kümeyi dinamik olarak seşebilen bütünleşiku u c uu ssistemler üneriyoruz. Bu sistemlerin seşme birimlerine odaklanarak, onları her sınıï¬andı-o crıcının uzmanlık alanlarını üğrenecek şekilde eğitiyoruz. Sınıï¬andırma aşamasında,og s g sverilen bir girdi işin seşme birimi en yetenekli sınıï¬andırıcıların hesaplanması ve kul-c clanılmasına olanak sağlar ve büylece sadece onların kararları hesaba alınır. Bu uzmanlıkg oüğrenimi probleminde, karar ağaşları, kural tabanlı algoritmalar ve yapay sinir ağlarıog gc ggibi değişik algoritmalar deniyoruz.gs40 veri kümesi ve 21 temel sınıï¬andırıcı uzerinde, uzmanlar kümesinin iyi eğitilmişu ü u g sbir seşme birimi kullanarak başarılı bir şekilde uzmanları seşebildiğini ve toplam başarıyıc s s c g sgeliştirdiğini gürüyoruz. Bu gelişme üzellikle hişbir temel sınıï¬andırıcının yüksek başarıs g ou so c u sgüsteremediği durumlarda anlamlı olmaktadır.o g
Özet (Çeviri)
iABSTRACTSELECTING FROM AN ENSEMBLE OF EXPERTS FORMACHINE LEARNINGDecision combination has recently become popular to improve over single learnersystems. The fundamental idea behind an ensemble of classiï¬ers is that the patternswhich are misclassiï¬ed by diï¬erent classiï¬ers are not necessarily the same and thatby suitably combining the decisions of complementary classiï¬ers misclassiï¬cation errorcan be reduced.Classiï¬er selection is diï¬erent from fusion: In classiï¬er selection, for a giveninput, only one or a small number of the models in the ensemble are used whereasin fusion, given an input all models give an output which are then combined, forexample by averaging, to calculate the overall output. In this study, we review someclassiï¬er selection methods in the literature in a comparative manner. We proposesome composite systems which are capable of selecting the optimal subset of the baseclassiï¬ers from the ensemble dynamically when a test instance is given. We focus onthe selection units of these systems and their training so that they learn the areasof expertise of each classiï¬er. In the classiï¬cation phase, given a data instance, theselection unit allows the calculation and use of the most competent classiï¬ers so thatonly their decisions are taken into account. For this expertise learning task, we trydiï¬erent algorithms such as decision trees, rule based algorithms, and neural networks.On 40 datasets and 21 base learning algorithms, we see that by using a well trainedselection unit, an ensemble of experts is capable of selecting the experts successfullyand improve the overall accuracy. This improvement is signiï¬cant especially in caseswhen none of the base classiï¬ers have high accuracy.
Benzer Tezler
- 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
- MRS verileri kullanılarak makine öğrenmesi yöntemleri ile MS hastalığının teşhis ve sınıflandırılması
Diagnosis and classification of MS disease with machine learning methods using MRS data
ZİYA EKŞİ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. CEMİL ÖZ
- Machine learning based autonomous quality check and characteristics extraction for chip research
Çip araştırmaları için makine öğrenmesi temelli otonom kalite kontrolü ve karakteristik parametre çıkarımı
HÜSNÜ MURAT KOÇAK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET TEOMAN NASKALİ
- Normal ve patolojik kalp ses kayıtlarının zaman-frekans temelli otomatik sınıflandırılması
Time-frequency based automatic classification of normal and pathologic heart saound recordings
HASAN ZAN
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULNASIR YILDIZ
- Yapay zekâ tabanlı elektrokardiyografi sinyali ile kan basıncı tespiti
AI-based blood pressure detection with electrocardiography signal
DERYA KANDAZ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR