GOOWE: Geometrically optimum and online-weighted ensemble classifier for evolving data streams
GOOWE: Değişen veri akışları için geometrik açıdan optimum ağırlıklı çevrim içi çoklu sınıflandırıcı
- Tez No: 434209
- Danışmanlar: PROF. DR. FAZLI CAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2016
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Değişmekte olan veri akışlarının büyüklüğü ve dinamik yapısı bu ortamlar için hedeflenen uyabilen sınıflandırıcıların tasarımını zorlaştırmaktadır. Veri akışının tasnifinde çevrim içi bireysel sınıflandırıcıların bir topluluk içinde çoklu bir yaklaşımla kullanılması bilinen yöntemlerden biridir. Çoklu sınıflandırıcının bileşenlerinden bir kısmının, zamanla değişen bir biçimde, diğerlerinden daha iyi olması olasıdır. Bileşen sınıflandırıcılara optimum ağırlık atanması tam olarak incelenmiş bir problem değildir. Bu çalışmada, en son veri örneklerini içeren kayan bir pencere kullanarak bileşen sınıflandırıcılara geometrik açıdan optimum ağırlık atayan çevrim içi bir çoklu sınıflandırıcı (GOOWE) yaklaşımı önerilmektedir. Bu amaçla, bileşen sınıflandırıcıların verdikleri oylar ve gerçek sınıf etiketleri uzaydaki noktalarla eşleştirilmektedir. Önerdiğimiz yeni yöntem, en küçük kareler (EKK) çözüm yaklaşımında, bileşenlerin oy puanları ve ideal noktalar arasındaki öklid mesafesini kullanarak, bileşenlere optimum ağırlık atamaktadır. EKK yaklaşımı yığınlar için tasarlanmış olan çoklu sınıflandırıcılar için daha önceden kullanılmıştır. Çalışmada, bu yaklaşım ilk kez çevrim içi çoklu sınıflandırıcılar için uzaysal bir model yaklaşımıyla kullanılmaktadır. Algoritmanın sağlamlığını göstermek için MOA kütüphanelerinin yanı sıra gerçek ve sentetik veri derlemlerini de kullanan, literatürde önde gelen 8 çoklu sınıflandırıcının sonuçlarını içeren, kapsamlı bir karşılaştırma sunulmaktadır. Deneyler, farklı kavram değişimi gözlenen bilgi akışı ortamlarında, GOOWE ile elde edilen başarının istatistiksel anlamda daha iyi olduğunu göstermektedir.
Özet (Çeviri)
Designing adaptive classifiers for an evolving data stream is a challenging task due to its size and dynamically changing nature. Combining individual classifiers in an online setting, the ensemble approach, is one of the well-known solutions. It is possible that a subset of classifiers in the ensemble outperforms others in a time-varying fashion. However, optimum weight assignment for component classifiers is a problem which is not yet fully addressed in online evolving environments. We propose a novel data stream ensemble classifier, called Geometrically Optimum and Online-Weighted Ensemble (GOOWE), which assigns optimum weights to the component classifiers using a sliding window containing the most recent data instances. We map vote scores of individual classifiers and true class labels into a spatial environment. Based on the Euclidean distance between vote scores and ideal-points, and using the linear least squares (LSQ) solution, we present a novel dynamic and online weighting approach. While LSQ is used for batch mode ensemble classifiers, it is the first time that we adapt and use it for online environments by providing a spatial modeling of online ensembles. In order to show the robustness of the proposed algorithm, we use real-world datasets and synthetic data generators using the MOA libraries. We compare our results with 8 state-of-the-art ensemble classifiers in a comprehensive experimental environment. Our experiments show that GOOWE provides improved reactions to different types of concept drift compared to our baselines. The statistical tests indicate a significant improvement in accuracy, with conservative time and memory requirements.
Benzer Tezler
- GOOWE-ML: A novel online stacked ensemble for multi-label classification in data streams
GOOWE ML: Veri akışlarında çok-etiketli sınıflandırma için yeni bir üst-öğrenicili çoklu-sınıflandırıcı
ALİCAN BÜYÜKÇAKIR
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FAZLI CAN
- Bazı yerli ve melez evcil kaz populasyonlarında genetik çeşitliliğin mikrosatellit markörler yardımıyla belirlenmesi
Genetic diversity in some native and crossbreed domestic goose populations by microsatellite markers
ZEYNEP DEMİRTAŞ
Yüksek Lisans
Türkçe
2018
ZiraatOndokuz Mayıs ÜniversitesiTarımsal Biyoteknoloji Ana Bilim Dalı
DOÇ. DR. LEVENT MERCAN
- Farklı transfer öğrenme yöntemlerinin karşılaştırılması ile göz çevresi görüntülerinden kişi tanıma
Person recognition from eye circumference images by comparison of different transfer learning algorithms
YASR MAHDI HAMA RASHID HAMA RASHID
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırşehir Ahi Evran Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DOÇ. DR. EMRAH AYDEMİR
DR. ÖĞR. ÜYESİ CEMAL AKTÜRK
- Kaz yetiştiriciliğinde üretim ve pazarlama etkinliğinin belirlenmesi üzerine bir araştırma: Kars ili örneği
A research on the determination of production and marketing efficiency in goose breeding: A case study of Kars province
GÜL SULTAN KELEŞOĞLU
Yüksek Lisans
Türkçe
2019
ZiraatEge ÜniversitesiTarım Ekonomisi Ana Bilim Dalı
DOÇ. DR. HAKAN ADANACIOĞLU