Geri Dön

Max-Margin stacking with group sparse regularization for classifier combination

Sınıflandırıcı birleştirme için grup seyrekliği ile beraber sınır enbüyükleyen yığıtlama

  1. Tez No: 309342
  2. Yazar: MEHMET UMUT ŞEN
  3. Danışmanlar: YRD. DOÇ. DR. HAKAN ERDOĞAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2011
  8. Dil: İngilizce
  9. Üniversite: Sabancı Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 91

Özet

Çoklu sınıflandırıcı sistemlerinin, çok sınıflı sınıflandırma problemlerinde karmaşık fakat doğruluk oranı yüksek bir sınıflandırma yöntemi olduğu, örüntü tanıma literatüründe sıkça işlenmiştr. Sınıflandırıcı birleştirme, verilen bir sınıflandırıcı kümesini nasıl birleştirilmesi gerektiği problemini çözmeye çalışır ve yığıtlı genelleme, başka bir deyişle yığıtlama, çok güçlü sınıflandırıcı birleştiricilerden biridir. Bu tezde yığıtlamanın performansını hem doğruluk oranı açısından, hem de karmaşıklık açısından artırıyoruz. Katkılarımız dört ana başlıkta toplanabilir. Öncelikle, birleştiriciyi öğrenirken sınırı en-büyükleyen menteşe kayıp fonkiyonu kullanmanın, literatürde daha önce kullanılan en küçük kareler kayıp kestiriminden daha iyi sonuçlar verdiğini gösterdik. İkinci olarak, düzenlileştirme için grup seyrekliği kullanarak otomatik sınıflandırıcı seçmeyi kolaylaştııyoruz. Üçüncü olarak, sınıf-bilinçli doğrusal birleştiricilerin doğrusal olmayan sürümlerini elde etmek için, veritabanı dönüştüren bir yöntem geliştiriyoruz. Son olarak, doğrusal bir sınıflandırıcı birleştirme yöntemi için MM algoritmalarını kullanarak bir çözüm buluyoruz.

Özet (Çeviri)

Multiple classifier systems are shown to be effective in terms of accuracy for multiclass classification problems with the expense of increased complexity. Classifier combination studies deal with the methods of combining the outputs of base classifiers of an ensemble. Stacked generalization, or stacking, is shown to be a strong combination scheme among combination algorithms; and in this thesis, we improve stacking's performance further in terms of both accuracy and complexity. We investigate four main issues for this purpose. First, we show that margin maximizing combiners outperform the conventional least-squares estimation of the weights. Second we incorporate the idea of group sparsity into regularization to facilitate classifier selection. Third, we develop non-linear versions of class-conscious linear combination types by transforming datasets into binary classification datasets; then applying the kernel trick. And finally, we derive a new optimization algorithm based on the majorization-minimization framework for a particular linear combination type, which we show is the most preferable one.

Benzer Tezler

  1. Yerel görünüm ve derin modeller kullanarak hibrit bir yüz tanıma yaklaşımı

    A hybrid face recognition approach using local appearance and deep models

    MERT ARI

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HAZIM KEMAL EKENEL

  2. Yapay zekâya dayalı anlamsal video işleme yöntemlerinin tıpta kullanılabilirliğinin araştırılması

    Investigation of usability of artificial intelligence semantic video processing methods in medicine

    HASAN UCUZAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMEK GÜLDOĞAN

  3. Proksimal mide kanserlerinde proksimal cerrahi sınırın nüks üzerine etkisi

    The effect of proximal surgical margin on reccurence in proximal gastric cancer

    OZAN OKYAY

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    Genel CerrahiVan Yüzüncü Yıl Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSKAN ÇALLI

  4. Lityum disilikat seramiklerde rezin siman bağlantısı ve baskı dayanımının in vitro olarak değerlendirilmesi

    The in vitro evaluation of bonding strength to resin cement and fracture strength on lithium disilicate glass ceramics

    HATİCE ÖZDEMİR

    Doktora

    Türkçe

    Türkçe

    2013

    Diş HekimliğiAtatürk Üniversitesi

    Protetik Diş Tedavisi Ana Bilim Dalı

    PROF. DR. LÜTFÜ İHSAN ALADAĞ

  5. CAD/CAM materyalleri ile üretilen endokron restorasyonların farklı kron boyu ve marjin dizaynına sahip dişlerde oluşturduğu stres dağılımının 3 boyutlu sonlu elemanlar analizi ile değerlendirilmesi

    Evaluation of stress distribution generated by endocrown restorations fabricated using CAD/CAM materials on teeth with different crown length and margin designs, using 3-dimensional finite element analysis

    PINAR AÇKURT OKUTAN

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2021

    Diş HekimliğiAydın Adnan Menderes Üniversitesi

    Endodonti Ana Bilim Dalı

    PROF. DR. SENEM GÖKÇEN YİĞİT ÖZER