Development of a hybrid classification method for machine learning
Makine öğrenmesi için hibrit bir sınıflama metodu geliştirilmesi
- Tez No: 244268
- Danışmanlar: YRD. DOÇ. DR. MUTLU AVCI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2009
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Bölümü
- Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Sayfa Sayısı: 52
Özet
Bu çalışmada ?Bayes, K En Yakın Komşu Metotları ve Genetik Algoritma Kullanılarak Hibrit Sınıflama? ve ?Kestirim Eniyileme Tabanlı Sınıflama Metodunda K En Yakın Komşu Metodundan Faydalanılması? adlarında iki araştırma yapılmıştır. İlk araştırmada k en yakın komşu, Bayes metotları ve genetik algoritma kullanılarak birlikte kullanılarak hibrit bir metot oluşturulmuştur. Amaç öğrenmeyi zorlaştıran verileri eleyerek sınıflamada mükemmel sonuçlara ulaşmaktır. Önerilen metot üç ana adımda uygulanmıştır. İlk adımda mevcut verilerle yeni veriler oluşturulmuş ve k en yakın komşu metodu ile iyi olanları seçilmiştir. İkinci adımda ise seçilen veriler genetik algoritma ile işlenmiş ve daha iyi veri kümeleri oluşturulmuştur. Son olarak en iyi veri kümesi belirlenmiş ve sınıflamadaki başarısını belirlemek için Bayes metodu ile işlenmiştir. Ayrıca orijinal ve en iyi veri kümeleri tarafsız bir değerlendirme için yapay sinir ağlarında test edilmiştir. İkinci araştırmada, veri sınıflamasını iyileştirmek için bir veri eleme yaklaşımı önerilmiştir. Bayes ve k en yakın komşu metotlarında yapılan düzenlemelerle hibrit bir metot oluşturulmuştur. Ana fikir k en yakın komşu metodu ile veri sayısını azaltmak ve en benzer eğitim verileri ile sınıfı tahmin etmektir. Sonrasında Bayes metodunun kestirim eniyileme algoritması kullanılmıştır. K en yakın komşu Bayes sınıflayıcısının önişlemcisi olarak belirlenmiş ve sonuçlar gözlemlenmiştir. Test işlemleri, University of California Irvine (UCI) makine öğrenmesi veri kümelerinin en bilinenlerinden beşi olan Iris, Breast Cancer, Glass, Yeast ve Wine ile yapılmıştır.
Özet (Çeviri)
In this work two studies are done and they are referred as first study which is named ?A Hybrid Classification Method Using Bayesian, K Nearest Neighbor Methods and Genetic Algorithm? and second study which is named ?Utilization of K Nearest Neighbor Method for Expectation Maximization Based Classification Method?. A hybrid method is formed by using k nearest neighbor (KNN), Bayesian methods and genetic algorithm (GA) together at first study. The aim is to achieve successful results on classifying by eliminating data that make difficult to learn. Suggested method is performed at three main steps. At first step new data is produced according to available data, and then right data is chose with KNN method. At second step chosen data is processed with GA and better data sets are generated. Finally, best data set is determined and processed with Bayesian method to specify the success on classifying. Also the original and best data sets are tested on artificial neural networks (ANN) for an unbiased evaluation. In second study a data elimination approach is proposed to improve data clustering. A hybrid algorithm is formed with modifications on Bayesian and KNN methods. Main idea is to reduce the number of data with KNN method and to guess a class with most similar training data. The rest is same as expectation maximization (EM) algorithm of Bayesian method. KNN method considered as the preprocessor for Bayesian classifier and then the results over the data sets are investigated. Test processes are done with five of well-known University of California Irvine (UCI) machine learning data sets. These are Iris, Breast Cancer, Glass, Yeast and Wine data sets.
Benzer Tezler
- Patlatma kaynaklı yer sarsıntısı tahmininde uyarlamalı bulanık çıkarım sistemi (ANFIS), destek vektör makineleri (SVM) ve gauss süreç regresyonu (GPR) tekniklerinin kullanımı
Application of adaptive-network based fuzzy inference system (ANFIS), support vector machines (SVM) and gaussian process regression (GPR) techniques for prediction of blast-induced ground vibrations
YAŞAR AĞAN
Yüksek Lisans
Türkçe
2023
Maden Mühendisliği ve Madencilikİstanbul Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
PROF. DR. TÜRKER HÜDAVERDİ
- Dermatolojik görüntülerde melanomlu bölge tespiti için hibrit destek vektör makinesi yöntemi geliştirilmesi
Development of hybrid support vector machine method for detection of melanoma area in dermatological images
SÜMEYYA İLKİN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SUHAP ŞAHİN
- Bilgisayarlı tomografi görüntülerinden travmatik olmayan omurga çökme kırıklarının tespiti için hibrit bir makine öğrenme yönteminin geliştirilmesi
Development of a hybrid machine learning method for the detection of non-traumatic spine compression fractures from computed tomography (CT) image
MURAT TÜRKMEN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEYNEP ORMAN
- Bilgisayar ağı güvenliği için hibrit öznitelik azaltma ile makine öğrenmesine dayalı bir saldırı tespit sistemi tasarımı
Designing a machine learning based intrusion detection system with hybrid feature reduction for network security
MUHAMMED SAFA BIÇAKCI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SİNAN TOKLU
- Medical data analysis and model development based on machine learning using apache spark technology
Apache spark teknolojisi kullanılarak sağlık verilerinin analizi ve makine öğrenimine dayalı modelin geliştirilmesi
ANAR TAGHIYEV
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM ALPASLAN ALTUN