Kolektif sınıflandırma yöntemleri için öznitelik ve düğüm seçimi
Feature and node selection for collective classification
- Tez No: 384860
- Danışmanlar: DOÇ. DR. ZEHRA ÇATALTEPE
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2010
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, kolektif sınıflandırma yöntemlerinin öznitelik ve/veya düğüm seçme yöntemleri ile birlikte kullanılmasının sınıflandırma performanslarında oluşturacağı değişim normal ve özniteliksel olarak zenginleştirilmiş ağ yapısına sahip veri kümeleri üzerinde araştırılmıştır. Öznitelik seçme yöntemleri olarak mRMR ve geliştirilen FCBF# yöntemi kullanılırken, düğüm seçmek için derece ve komşuluk tutarlılık oranı gibi yeni kıstaslar önerilmiştir. Yapılan deneyler sonucunda öznitelik ve düğüm seçme yöntemlerinin kullanılmasının homofili ve otokorelasyonu arttırdığı, bu nedenle de veri kümelerinden alınan doğruluk performansında iyileşme sağladığı gözlenmiştir. Öznitelik seçme yöntemleri sadece gürültü veri kümelerinde değil gürültü olmadığı durumlarda bile belirgin performans artışlarına neden olurken, düğüm seçme yöntemlerinin komşuluk sayısı çok olduğu durumlarda oluşan gürültülü ilişkilerden veri kümesini kurtararak çok az sayıda düğüm seçildiği durumlarda bile performansı arttırdığı görülmüştür. Ayrıca geliştirilen öznitelik zenginleştirme yönteminin içerik tabanlı sınıflandırıcıların performanslarını kolektif sınıflandırma yöntemlerinin performanslarına yakınlaştırdığı hatta bazı deneylerde geçtiği gözlenmiştir.
Özet (Çeviri)
In this study, effects of using feature and node selection methods are examined with collective classification algorithms on network data with normal and enriched content to show how much improvement can be made on these classification method?s performances. mRMR and proposed FCBF# methods are used for feature selection while for node selection, some new approaches, such as degree based, neighborhood consistency, are proposed and their results were compared. Experiments showed that using feature and node selection methods on datasets with network structure increases homophily and autocorrelation therefore performances of collective classification algorithms can be increased using selection methods. Feature selection methods improve classification results significantly not only with noisy features also with non-noisy content information. In network structures with too many noisy links, node selection methods decrease the noise by eliminating noisy nodes and even when using low number of nodes, an improvement on performance of classification is achieved. In addition, it is shown that proposed feature enrichment method increases content only classification performances and makes them perform as much as collective classification algorithms.
Benzer Tezler
- Resilient and sustainable smart cities: Cybersecurity, disaster management, and data-driven urban solutions
Dayanıklı ve sürdürülebilir akıllı şehirler: Siber güvenlik, afet yönetimi ve veri odaklı kent çözümleri
KIYMET KAYA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖGÜDÜCÜ
- Sayısal görüntülerin içine gizlenen verilerin derin öğrenme tabanlı tespit edilmesi
Deep learning based detection of hidden data in digital images
MURAT UTKU KABASAKALOĞLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. RUKİYE KARAKIŞ
- Ağ verisi üzerinde ilgili ve rastgele alt uzaylar seçerek birlikte öğrenme
Relevant and random subspaces for co-training in networked data
KADRİYE BAĞLIOĞLU
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEHRA ÇATALTEPE
- Kolektif makine öğrenmesi tabanlı ağ saldırı tespiti
Collective machine learning based network intrusion detection
ŞURA EMANET
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖNDER DEMİR
DR. ÖĞR. ÜYESİ GÖZDE KARATAŞ BAYDOĞMUŞ
- Yapay öğrenme algoritmalarını kandırmak
Deception of machine learning algorithms
FATMA GÜMÜŞ
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET FATİH AMASYALI