Geri Dön

Destek vektör makinelerinde kullanılan çekirdek fonksiyonların sınıflama performanslarının karşılaştırılması

A comparison of classification performance of the kernel functions used in support vector machines

  1. Tez No: 267349
  2. Yazar: ÜLGER AYDOĞAN
  3. Danışmanlar: DOÇ. DR. HAFİZE SEZER, PROF. DR. OSMAN SARAÇBAŞI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2010
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 82

Özet

Bu tez çalışmasında veri madenciliği yöntemlerine değinilmiş ve veri madenciliğinde sınıflama yapmak amacıyla sıklıkla kullanılmakta olan“Destek Vektör Makinesi”incelenmiştir. Bu yöntemde karşılaşılan en temel sorun uygun çekirdek fonksiyonun seçimidir. Çünkü kullanılan çekirdek fonksiyonlara bağlı olarak analiz sonuçları farklılık göstermektedir. Burada kullanımı en yaygın olan doğrusal, polinomiyal, sigmoid ve radyal tabanlı fonksiyonlar dikkate alınmıştır. Farklı özelliklerde veri setleri ile karşılaşıldığında, bu dört çekirdek fonksiyonun performanslarında değişim olup olmadığı araştırılmıştır. Bu nedenle çalışmada benzetim teknikleriyle farklı karakteristiklere sahip veri setleri üretilmiştir. Doğrusal ayrılabilir yapıya sahip verilerde gözlem sayısı değiştikçe ve değişkenler arasındaki ilişkinin düzeyi değiştikçe, kullanılan çekirdek fonksiyonların sınıflama performansları karşılaştırılmıştır. Ayrıca doğrusal olarak ayrılamayan yapıya sahip veri setlerinde fonksiyonların sınıflama performansları karşılaştırılmıştır. Her bir veri seti için kullanılan çekirdek fonksiyonun sağladığı duyarlılık, seçicilik ve doğruluk oranları verilmiştir. Radyal tabanlı fonksiyon bu çalışmada denenen her durum için en yüksek doğruluk oranını vermiştir. Verilerin doğrusal olarak ayrılabildiği durumlarda doğrusal fonksiyon da yüksek sınıflama performansı göstermektedir.

Özet (Çeviri)

In this thesis, support vector machine method which is used to classify objects in data mining was studied and also data mining techniques were mentioned briefly. Since the results of analysis are changing depending on the selected kernel function, choosing suitable kernel function is the main problem in support vector machine method. Four kernel functions: linear, polinomial, sigmoid and radial basis function, are commonly used in practise. We interested in whether the performance of these four functions change or not when different characteristics of data sets are used. Therefore, in this study, data sets which have different characteristics were generated with simulation techniques. Kernel functions' classification performance were compared with different sample sizes and different correlation levels between variables in linearly seperable data sets. Also classification performances were compared between kernel functions for non-seperable data sets. For each data set, sensitivity, spesificity and accuracy values that obtained by kernel functions, were calculated. For all conditions in this study, radial basis function had the highest accuracy value. For linearly seperable case, linear function had also high performance.

Benzer Tezler

  1. Türkiye'deki enerji santrallerinde doğal gaz tüketiminin destek vektör regresyon ile tahmini

    Estimation of natural gas consumption of power plants in Turkey via support vector regression

    GİZEM MERAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    İstatistikAfyon Kocatepe Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. SİNAN SARAÇLI

  2. Destek vektör makineleri üzerine bir çalışma

    A study on support vector machines

    MUSTAFA MURAT ARAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. TURHAN MENTEŞ

  3. Destek vektör regresyonu ile PID kontrolör tasarımı

    Design of PID controller via support vector regression

    KEMAL UÇAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. GÜLAY ÖKE

  4. Destek vektör makinesi sınıflandırma algoritması için genişletilmiş Gauss çekirdeği ve uygulamaları

    Extended Gauss kernel and its applications for support vektör machine classification algorithm

    AYŞENUR ERDEM

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Matematikİstanbul Medeniyet Üniversitesi

    Uygulamalı Matematik ve Hesaplamalı Bilimler Ana Bilim Dalı

    DOÇ. DR. BETÜL HİÇDURMAZ

  5. Destek vektör makineleri yardımıyla tüketici kredilerinin sınıflandırılması

    Classifying consumer loans by means of support vector machines

    KAYAHAN KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ