Feature subset generation for ensemble learning using feature clustering and mutual information
Topluluk öğrenme için öznitelik kümeleme ve karşılıklı bilgi kullanarak öznitelik altkümesi oluşturma
- Tez No: 436080
- Danışmanlar: ASST. ASSOC. CEMAL OKAN ŞAKAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Topluluk Öğrenmesi, Öznitelik Kümeleme, Öznitelik Alt Kümesi Oluşturulması, Minimum Artıklık-Maksimum İlgililik Algoritması, Desktek Vektör Makineleri, Ensemble Learning (EL), Feature Clustering, Feature Subset Generation (VG), minimum Redundancy-Maximum Relevance algorithm, Support Vector Machine (SVM)
- Yıl: 2016
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Topluluk öğrenmesi (TÖ) gözetimli makine öğrenmesi problemlerinin çözümünde uygulanan en etkili yöntemlerinden birisidir. Bu tez çalışmasında TÖ yönteminin uygulanabilmesi için bir öznitelik kümesinden çok sayıda öznitelik kümesioluşturulması amacıyla kümeleme ve öznitelik seçimi algoritmalarının kullanıldığı bir yöntem önerilmiştir. Bu amaçla öncelikle öznitelikler kümelenmiş ve çok sayıda öznitelik alt kümesi elde edilmiştir. Daha sonra bu öznitelik alt kümeleri bireysel tahminlerin elde edilebilmesi için destek vektör makineleri (DVM) sınıflandırıcısına beslenmiş ve çoğunluk oylaması tekniğiyle birleştirilmiştir. Bu aşamadan sonra, bu sınıf tahminleri minimum Artıklık-Maksimum İlgililik (mAMİ) öznitelik seçimi yöntemine verilmiş ve öznitelik alt kümeleri TÖ yöntemi için çok önemli faktörler olan farklı ve nitelikli alt kümeler oluşturulması için mAMİ skorlarına göre sıralanmıştır. Biyomedikal veri kümeleri üzerinde yapılan deneysel çalışmalar yöntemimizin tekil küme başarımlarını geliştirdiğini göstermektedir.
Özet (Çeviri)
Ensemble Learning (EL) is considered one of the most effective techniques which is applied to address supervised machine learning problems. In this thesis, we used clustering and feature selection algorithms in order to generate multiple feature subsets from a single feature set to apply EL method. For this purpose, first we clustered the features and obtained many feature subsets. Then, we fed these subsets of features to support vector machine classifier (SVM) to get individual class predictions and combined those predictions using majority voting. After that, we gave the predictions to minimum Redundancy-Maximum Relevance algorithm (mRMr) feature selection algorithm and ranked the feature subsets according to their mRMR scores for generating diverse and accurate subsets which are vital factors for EL. Experimental results on various biomedical datasets show that our method improves the single set accuracies.
Benzer Tezler
- A multi-objective approach to cluster ensemble selection problem
Kümeleme topluluğu seçimi problemine çok amaçlı yaklaşım
DİLAY AKTAŞ
Yüksek Lisans
İngilizce
2019
Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik ÜniversitesiYöneylem Araştırması Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BANU LOKMAN
DOÇ. DR. TÜLİN İNKAYA
- Makine öğrenmesi kullanarak Türkiye'de elektrikli araç şarj istasyonlarının potansiyel kullanım performansının mekânsal tahmini
Spatial estimation of potential utilization performance of electric vehicle charging stations in Türkiye using machine learning methods
SERKAN TANRIVERDİ
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADALET DERVİŞOĞLU
- Multi-objective evolutionary algorithms for multi-label classification supported by deep auto-encoder on image and video data
Çok etiketli sınıflama ̇için çok amaçlı evrimsel algoritmaların derin otokodlayıcı desteği ̇ile resim ve video verilerine uygulanması
GİZEM NUR KARAGÖZ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET HALİT SEYFULLAH OĞUZTÜZÜN
PROF. DR. ADNAN YAZICI
- Energy demand forecasting in fog computing based microgrids using ensemble learning
Sis bilişimi tabanlı mikro şebekelerde topluluk öğrenme ile enerji talep tahmini
TUĞÇE KESKİN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data
Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması
MERVE BOZO
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE