Discriminant ensembles and error analysis of classifier fusion rules
Ayırtaç toplulukları ve sınıflandırıcı birleştirme kurallarının hata çözümlemesi
- Tez No: 200105
- Danışmanlar: PROF. ETHEM ALPAYDIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2007
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 81
Özet
AYIRTAÇ TOPLULUKLARI VE SINIFLANDIRICI B RLEŞT RMEKURALLARININ HATA ÇÖZÜMLEMESMurat SEMERCHer sınıflandırma algoritması veri hakkında farklı bir varsayımda bulunur ve farklıörüntüler üzerinde yanlış yapar; bu yüzden uygun bir kaynaşım ile genel doğrulukarttırılabilir.Birleştirme, genellikle sonsal olasılık olan sınıflandırıcı sonuç değerleri üzerindegerçekleştirilir. Sınıflandırıcı kaynaşım yöntemlerinin amacı doğruluk başarımınıarttırmak olsa da her zaman başarılı olacaklarının teminatı yoktur. Bu çalışmada bütünsınıflandırıcı sonuç değerlerini kullanmak yerine, onların altkümelerini kullanan yeni birbirleştirme tasarısı öneriyoruz. Ayırtaç seçmek ve birleştirmek için karar ağaçları veözellik seçme kullanan üç farklı yöntem deniyoruz. Karar ağaçlarının en iyi özellikaltkümesini seçmede daha başarılı olduğunu ve seçilen ayırtaç sonuçları eğitilmiş birdoğrusal model ile birleştirildiğinde doğruluk başarımını daha da arttırılabildiğinigörüyoruz.Sabit kuralların davranışlarını anlamaya çabalarken, hata fonksiyonunu yanlılık, değişintive gürültü bileşenlerine ayırma fikrini uyguluyoruz. Bu çalışmada yazındaki kare ve 0/1hata tanımlamalarının yanlılık, değişinti ve gürültü ayrıştırmalarını kısaca gözdengeçiriyor, bu bileşenlerin toplulukların hata davranışını, özellikle en küçük ve en büyükkuralları kullanıldığında, açıklamada yetersiz kaldığını gösteriyoruz. Bazı kaynaşımyöntemlerinin, veri kümesinin üstünde birbiçimli veya Gauss gürültü varsayımlarıaltında, ötekilerden daha iyi çalışmasının nedenlerini veriyoruz. Sabit kurallarındavranışını açıklamak için kesişim alanına dayanan bir ölçü öneriyoruz.
Özet (Çeviri)
DISCRIMINANT ENSEMBLES AND ERROR ANALYSIS OF CLASSIFIER FUSIONRULESMurat SEMERCEach classification algorithm has its own underlying assumption and misclassifiesdifferent patterns and overall accuracy can be increased by a suitable fusion of multipleclassifiers.The combination is performed over the scores of classifiers, which are mostly posteriorprobabilities. Although the aim of classifier fusion is improved accuracy, there is noguarantee that this will be the case. In this study, we propose a new combination schemewhich uses a subset of the classifier scores instead of using all of them. We experimentwith three different methods for discriminant selection and combination, using decisiontrees and feature selection. We see that decision trees are better in choosing the bestsubset of features and accuracy is improved especially when the chosen discriminantoutputs are combined with a trained linear model.In trying to understand the behavior of the fixed rules, we apply the idea of decomposinga loss function into bias, variance and noise. This study gives a brief survey of the bias,variance and noise decompositions in the literature for squared and 0/1 loss. We showthat they are unable to explain the error behaviour of fusion rules, especially forminimum and maximum rules. We give the reasons why some fusion strategies workbetter than others under the assumptions of uniform or Gaussian noise. We proposeinstead a measure based on the area of intersection to explain the behavior of the fixedrules.
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
- Antenna design for breast cancer detection and machine learning approach for birth weight prediction
Meme kanseri tespiti için anten tasarımı ve doğum ağırlığı tahmini için makine öğrenmesi yaklaşımı
HALUK KIRKGÖZ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR KURT
- Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data
Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması
MERVE BOZO
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Dizel makinanın makina öğrenmesi yöntemi kullanılarak modellenmesi ve karar-destek mekanizması oluşturulması
Machine learning method based marine diesel engine modelling and decision-support system setting
TOLGA ŞAHİN
Doktora
Türkçe
2022
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. CEVAT ERDEM İMRAK
- Betonarme kolonların deprem sonrası hasar seviyelerinin akıllı sistem tabanlı bir yöntemle belirlenmesi
Determination of damage levels of reinforced concrete columns with a smart system oriented method
GAMZE DOĞAN
Doktora
Türkçe
2018
İnşaat MühendisliğiSelçuk Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MUSA HAKAN ARSLAN
DR. ÖĞR. ÜYESİ ÖMER KAAN BAYKAN