Geri Dön

Multi-class classification methods utilizing Mahalanobis Taguchi system and a re-sampling approach for imbalanced data sets

Mahalanobis Taguchi sistemi ile çoklu sınıflandırma yöntemleri ve dengeli olmayan veri setleri için bir yeniden örnekleme yaklaşımı

PDF İndir

  1. Tez No: 238303
  2. Yazar: DİLBER AYHAN
  3. Danışmanlar: PROF. DR. GÜLSER KÖKSAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Classification, Multi-class Classification, Re-sampling, Mahalanobis Taguchi System (MTS), Feature Weighted Mahalanobis Distance
  7. Yıl: 2009
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Bölümü
  12. Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  13. Sayfa Sayısı: 99

Özet

Sınıflandırma yaklaşımları farklı gözlemlere ait sınıfları tahmin etmek ya da belirlemek için birçok alanda kullanılmaktadır. Bu çalışma kapsamında, Mahalanobis Taguchi Sistem (MTS) sınıflandırma yaklaşımı incelenmiş ve bu yöntem çok sınıflı problemler için geliştirilmiştir. MTS, önemli değişkenleri seçerek Mahalanobis uzaklığına (MU) göre yeni bir gözlemi sınıflandırmaya çalışır. Bu çalışmada, ilk olarak, MTS yönteminde çoklu bağlantı problemi ile küçük veri kümelerinde görülen örnek büyüklüğü sorunları incelenmiş ve çözüm olarak bir yeniden örnekleme yöntemi geliştirilmiştir. Geliştirilen örnekleme yöntemi iki sınıflı problemler için çalışmakta olup, veri çoğaltma ve azaltma yöntemlerini içermektedir. Veri çoğaltma yöntemi, az sayılı sınıfın gözlemlerine ait yakın komşuluklarda sentetik gözlemler oluşturan SMOTE yöntemine dayanmaktadır. Örnekleme yönteminde, duruma göre en uygun değerleri değişen birkaç yeniden örnekleme parametresinin başarımını test etmek için MTS kullanılmıştır. İkinci bölümde, MTS ile çok sınıflı problemleri çözen yeni sınıflandırma yöntemleri geliştirilmiştir. Ağırlıklı MU yaklaşımı kullanılarak, Değişken Ağırlıklı Çoklu MTS-I (FWMMTS-I) geliştirilmiştir. Bu yaklaşımda, MU'nun değişkenlere dayalı eşit ağırlıklı toplanması özelliği hafifletilmiştir. Gürültü değişkenlerin sıfıra yakın ağırlıklarla temsil edilmesi sağlanarak MU hesaplarken diğer değişkenleri gizlemesi engellenmiştir. İkinci olarak, iki sınıflı problemleri çözen MTS'nin çok sınıflı probleme uyarlanmasıyla, Çok Sınıflı MTS (MMTS) geliştirilmiştir. Ayrıca, Su ve Hsiao (2009) çalışmasında önerilen, diğer bir değişken ağırlıklı çoklu sınıflandırma yaklaşımında, MU hesaplaması değişikliği yapılarak, Değişken Ağırlıklı Çoklu MTS-II (FWMMTS-II) yöntemi olarak isimlendirilmiştir. Tüm yöntemler tabakalı çapraz doğrulama yaklaşımı kullanılarak sekiz farklı çok sınıflı veri kümelesinde karşılaştırılmıştır. Sonuçlara göre, FWMMTS-I yöntemi MMTS ile aynı başarımı göstermiş ve bunlar ise FWMMTS-II yönteminden daha iyi başarım göstermiştir. İlginç olarak, sınıflandırma modelinde tüm değişkenleri doğrudan kullanan MU Yaklaşımı (MDC) da, çalışılan veri kümelerinde aynı derecede başarım göstermiştir.

Özet (Çeviri)

Classification approaches are used in many areas in order to identify or estimate classes, which different observations belong to. The classification approach, Mahalanobis Taguchi System (MTS) is analyzed and further improved for multi-class classification problems under the scope of this thesis study. MTS tries to explore significant variables and classify a new observation based on its Mahalanobis distance (MD). In this study, first, sample size problems, which are encountered mostly in small data sets, and multicollinearity problems, which constitute some limitations of MTS, are analyzed and a re-sampling approach is explored as a solution. Our re-sampling approach, which only works for data sets with two classes, is a combination of over-sampling and under-sampling. Over-sampling is based on SMOTE, which generates the synthetic observations between the nearest neighbors of observations in the minority class. In addition, MTS models are used to test the performance of several re-sampling parameters, for which the most appropriate values are sought specific to each case. In the second part, multi-class classification methods with MTS are developed. An algorithm, namely Feature Weighted Multi-class MTS-I (FWMMTS-I), is inspired by the descent feature weighted MD. It relaxes adding up of the MDs for variables equally. This provides representations of noisy variables with weights close to zero so that they do not mask the other variables. As a second multi-class classification algorithm, the original MTS method is extended to multi-class problems, which is called Multi-class MTS (MMTS). In addition, a comparable approach to that of Su and Hsiao (2009), which also considers weights of variables, is studied with a modification in MD calculation. It is named as Feature Weighted Multi-class MTS-II (FWMMTS-II). The methods are compared on eight different multi-class data sets using a 5-fold stratified cross validation approach. Results show that FWMMTS-I is as accurate as MMTS, and they are better than FWMMTS-II. Interestingly, the Mahalanobis Distance Classifier (MDC) using all the variables directly in the classification model has performed equally well on the studied data sets.

Benzer Tezler

  1. Tez No

    571619

    Ensemble based feature selection with hybrid model

    Hibrit modeli ile topluluk temelli öznitelik seçimi

    CEYLAN DEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Matematikİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İZZET GÖKSEL

    DOÇ. DR. SÜREYYA AKYÜZ

  2. Tez No

    478494

    Kalabalık gözetleme ortamlarında anomali tespiti

    Anomaly detection in crowded surveillance scenes

    EFSUN SEFA SEZER

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET BURAK CAN

  3. Tez No

    892148

    Deep learning and machine learning methods for detecting false data injection cyber-attacks on smart grid phasor measurement units

    Akıllı şebeke fazör ölçüm ünitelerinde sahte veri enjeksiyonu siber saldırılarının tespiti için derin öğrenme ve makine öğrenmesi yöntemleri

    KHALID GOUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBEYKOZ ÜNİVERSİTESİ

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ÖZLEM FEYZA ERKAN

  4. Tez No

    485363

    Motor imagery based mobile brain computer interface design using machine learning techniques

    Makine öğrenmesi yöntemleri ile motor hareket hayali tabanlı mobil beyin bilgisayar arayüzü tasarımı

    HAKAN AŞIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ZÜMRAY DOKUR

  5. Tez No

    569712

    Güç sistemlerinde geçici hal kararsızlığının ve gelişiminin derin öğrenme ve karar ağacı tabanlı yöntemler ile geniş alan ölçümlerine dayalı olarak erken kestirimi

    Wide area measurement based early prediction of power system transient instability and its evolution using deep learning and decision tree based algorithms

    MERT KESİCİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ

Geri Dön