Kaba küme ve destek vektör makineleri kullanılarak nitelik indirgeme ve sınıflandırma problemlerinin çözümü için bütünleşik bir yaklaşım
An integrated approach for solving attribute reduction and classification problems using rough set and support vector machines
- Tez No: 343651
- Danışmanlar: PROF. DR. ŞENOL ERDOĞMUŞ
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Veri madenciliği, Sınıflandırma, Nitelik indirgeme, Makine öğrenimi, Destek Vektör Makineleri, Kaba Küme Teorisi, Deney tasarımı, Data mining, Classification, Attribute reduction, Machine learning, Support Vector Machines, Rough Set Theory, Experimental design
- Yıl: 2013
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Bölümü
- Bilim Dalı: İstatistik Ana Bilim Dalı
- Sayfa Sayısı: 199
Özet
İş dünyası karar verme süreçlerinde bilgiye ulaşma önemli rol oynamaktadır. Dolayısıyla, veri tabanları, karar vericilerin bilgiye ulaşmada yararlandıkları en önemli araçlardan biri olmuştur. Ancak veritabanlarından yararlı enformasyon/bilgi çıkarımı çok önemli olmakla birlikte bir o kadar da zor bir görevdir. Veri madenciliği, veritabanlarından gizli ve kullanışlı enformasyonun çıkarılmasına odaklanmış, makine öğrenimi algoritmalarını kullanan yeni ve güçlü bir teknoloji olarak karşımıza çıkmaktadır. Veri madenciliğinin görevlerinden biri olan sınıflandırma probleminin çözümü için geliştirilmiş önemli makine öğrenimi algoritmalarından biri Destek Vektör Makineleri'dir. Literatürde Destek Vektör Makineleri'nin diğer birçok tekniğe göre daha başarılı sonuçlar verdiği kanıtlanmıştır. Bilgiye ulaşma sürecinde başka bir sorun optimum nitelik kümesinin belirlenmesi diğer bir deyişle nitelik indirgemedir. Bu alanda yapılan birçok çalışma, nitelik indirgemenin NP-zor problemler sınıfında yer aldığını göstermiştir. Bu tez çalışmasında, farklı alanlardaki sınıflandırma problemlerinin Destek Vektör Makineleri ile çözümüne ilişkin genelleme performansı yüksek kapsamlı bir yaklaşım geliştirilmiştir. Geliştirilen yaklaşımda, Destek Vektör Makineleri'nin genelleme performansını/etkinliğini arttırmak amacıyla veri seti iyileştirme ve nitelik indirgeme çalışmaları genetik algoritma tabanlı Kaba Küme Teorisi kullanılarak gerçekleştirilmiştir. Optimizasyon tabanlı nitelik indirgeme ve sınıflandırma süreci araştırma hipotezleri temeline dayandırılmıştır. Söz konusu hipotezlerin sınanmasında istatistiksel tekniklerden yararlanılmıştır. Sonuç olarak bu çalışmada, araştırmacılara nitelik indirgeme ve sınıflandırma süreçlerinde yararlanabilecekleri etkin bir yaklaşım önerilmiştir. Önerilen yaklaşım karar vericilere istatistiksel bakış açısıyla desteklenmiş önemli ipuçları sağlamaktadır.
Özet (Çeviri)
Gaining useful information/knowledge plays an important role in the businness decision making process. Therefore, databases have been one of the most important tools that using by the decision makers for gaining useful information/knowledge. Useful information/knowledge extraction is very important but a hard task. For this context, data mining emerges as a new and powerful technology which is focused on to extracting hidden and useful information from databases by using machine learning algorithms. One of the most important machine learning algorithms developed for to accomplish classification task of data mining is Support Vector Machines. In the literature, Support Vector Machines has been shown to outperform many other techniques.Another challenge in gaining information/knowledge process is obtaining optimum set of attributes in other words attribute reduction. Many studies in this area have been shown that attribute reduction is NP-hard problems. In this thesis, an integrated approach with higher generalization performance was developed to solve classification problems via Support Vector Machines. In the developed approach, in order to enhance the generalization performance of Support Vector machines, data improvement activities and attribute reduction works were carried out using genetic algorithm based Rough Set Theory. Optimization based attribute reduction and classification process was ground on the statiscal hypotheses. And so, many statistical techniques were utilized for testing those hypothesis.As a result, in this study, efficient approach was proposed to researches uses in attribute reduction and classification process. And, proposed approach provides important insights to decision makers supported with statistical viewpoint.
Benzer Tezler
- Set based modeling of objects and their context
Nesnelerin ve bağlamlarının küme tabanlı modellenmesi
RAMAZAN GÖKBERK CİNBİŞ
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoston UniversityBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. STAN SCLAROFF
- Multiobjective evolutionary feature subset selection algorithm for binary classification
İkili sınıflandırma için çok amaçlı evrimsel öznitelik alt kümesi seçimi algoritması
FİRDEVSİ AYÇA DENİZ KIZILÖZ
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET COŞAR
YRD. DOÇ. DR. TANSEL DÖKEROĞLU
- Diagnosis of diseases through genes by using machine learning
Başlık çevirisi yok
ISRAA JIHAD ABED ABED
Yüksek Lisans
İngilizce
2023
Bilim ve TeknolojiAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OGUZ KARAN
- Dikdörtgen mikroşerit antenlerin bilgi - tabanlı destek vektör analizi
Knowledge - based support vector analyzing of rectangular microstrip antennas
ALİ KUŞ
Yüksek Lisans
Türkçe
2010
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET KIZILAY
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ