Semi-supervised feature selection using mean absolute deviation
Ortalama mutlak sapma kullanarak yarı denetlenen özellik seçimi
- Tez No: 456294
- Danışmanlar: Prof. Dr. NURAN DOĞRU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 43
Özet
Yüksek boyutlu veri kümeleri öğrenme aşamasında (Örneğin: Sınıflandırma veya Kümeleme) sorunlara neden olabilir. Özellik azaltma, veri kümelerindeki bir özelliğin sayısının azaltılmasına yardımcı olur ve bunun sonucunda öğrenme adımlarının algoritmalarını daha hızlı gerçekleştirir ve bir veri kümesindeki tüm özellikleri kullanmaktan daha iyi sonuç verir. Yarı denetlenen bilginin denetimsiz bir özellik seçimi algoritmasında kullanılması da daha iyi sonuç elde edildiğini göstermiştir. Tez, denetimsiz bilgileri kullanan ve iyileştirme yapmak için yarı denetimli öğrenme bilgilerini kullanmaya çalışan Ortalama Mutlak Sapma'yı (MAD) incelemektedir. Bu tezde kullanılan yöntem, Ortalama Mutlak Sapma-Yeni (MADN) olarak adlandırılmıştır. Yeni yöntemin, MAD yönteminin yüz veri kümeleri üzerinde bir iyileşme olduğu ve seyrek veri kümeleri ile karşılaştırmalı olduğu gösterildi.
Özet (Çeviri)
High-dimensional datasets can cause problems to learning steps (Ex. Classification or Clustering). Feature reduction helps in reducing the number of a feature in datasets and in turn, makes the learning steps algorithms perform faster and yield better results than using the whole features in a dataset. Also using the semi-supervised information to an unsupervised feature selection algorithm has shown to have yield better result. The thesis looks into the Mean Absolute Deviation (MAD) which uses unsupervised information and try to use the semi-supervised learning information to make improvements. The method used in this thesis is named Mean Absolute Deviation New (MADN). The new method has been shown to be an improvement over MAD method on face datasets and to be comparative to sparse datasets.
Benzer Tezler
- Baggi̇ng constrai̇nt laplaci̇an score for effi̇ci̇ent semi̇- supervi̇sed feature selecti̇on
Verimli yarı denetimli özellik seçimi için torbalama kısıtlamalı laplas skoru
ABAS ISMAEL SILO ALI
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGaziantep ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YAR. DOÇ.DR. SEMA KOÇ KAYHAN
- 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
- Supervised and semi-supervised learning using informative feature subspaces
Bilgi içeren öznitelik alt uzayları ile eğitmenli ve yarı eğitmenli öğrenme
YUSUF YASLAN
Doktora
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEHRA ÇATALTEPE
- Hiperspektral görüntülerde yarı güdümlü öğrenme teknikleri
Semi supervised learning techniques on hyperspectral images
MUHAMMET SAİD AYDEMİR
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- An investigation of feature selection methods for machine learning
Makine öğrenmesi için öznitelik seçim yöntemlerinin incelenmesi
BUSE NUR BALTACIOĞLU
Yüksek Lisans
İngilizce
2024
BiyoistatistikDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. İDİL YAVUZ