Geri Dön

Risk-averse multi-class support vector machines

Riskten kaçınan çok sınıflı destek vektör makineleri

  1. Tez No: 534893
  2. Yazar: AYŞENUR KARAGÖZ
  3. Danışmanlar: YRD. DOÇ. DR. ÖZLEM ÇAVUŞ İYİGÜN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 127

Özet

Sınıflandırma problemi, sınıfı bilinen daha önceden gözlemlenmiş örneklere dayanarak, yeni örneğin sınıfının tespit edilmesini amaçlamaktadır. Bu problemin tıp, finans ve yapay zeka gibi farklı disiplinlerde pek çok uygulaması bulunmaktadır. Ancak, önceden gözlemlenmiş örneklerde uç değerler ve gürültü olması, başarım performansını önemli ölçüde etkileyebilmektedir. Destek vektör makinesi (DVM), uç değerler ve gürültü barındıran iki sınıflı sınıflandırma problemlerini çözmek için geliştirilmiştir. Literatürde, riskten kaçınan DVM'nin uç değerlere ve gürültüye asıl DVM formülasyonlarına göre daha kararlı olduğu gösterilmiştir. Fakat, gerçek veri setlerinde, ikiden çok sınıflı sınıflandırma problemleriyle daha çok karşılaşılmaktadır. Bu çalışmada, riskten kaçınan iki sınıflı DVM takip edilerek, riskten kaçınan çok sınıflı DVM'ler geliştirilmesi amaçlanmıştır. Riskten kaçınma, çok sınıflı DVM'lere, riske maruz değer ve koşullu riske maruz değer risk ölçütleri kullanılarak dahil edilmiştir. Riske maruz değer kısıtları genel olarak dış bükey olmadıkları için, riske maruz değer kısıtı eklenmiş DVM'ler, koşullu riske maruz değer eklenmiş DVM'lere göre daha karmaşıktır. Bu nedenle, riske maruz değer kısıtı eklemiş çok sınıflı DVM'leri etkin bir şekilde çözmek için, güçlü büyük M formülasyonu önerilmiştir. Bununla birlikte, asıl çok sınıflı DVM'lerin ve riskten kaçınan DVM'lerin gerçek ve yapay veri setleri üzerindeki başarım performansını gösteren bir çalışma sunulmuştur. Sonuçlar, riske maruz değer kısıtı eklenmiş çok sınıflı DVM'lerin veri setlerindeki uç değerlere ve gürültüye koşullu riske maruz değer eklemiş DVM'lere göre daha kararlı olduğunu, ve riskten kaçınan DVM'lerin asıl formülasyonlara göre daha kararlı olduğunu göstermektedir.

Özet (Çeviri)

A classification problem aims to identify the class of new observations based on the previous observations whose classes are known. It has many applications in a variety of disciplines such as medicine, finance and artificial intelligence. However, presence of outliers and noise in previous observations may have significant impact on the classification performance. Support vector machine (SVM) is a classifier introduced to solve binary classification problems under the presence of noise and outliers. In the literature, risk-averse SVM is shown to be more stable to noise and outliers compared to the original SVM formulations. However, we often observe more than two classes in real-life datasets. In this study, we aim to develop riskaverse multi-class SVMs following the idea of risk-averse binary SVM. We use risk measures, VaR and CVaR, to implement risk-aversion to multi-class SVMs. Since VaR constraints are nonconvex in general, SVMs with VaR constraints are more complex than SVMs with CVaR. Therefore, we propose a strong big-M formulation to solve multi-class SVM problems with VaR constraints efficiently. We also provide a computational study on the classification performance of the original multi-class SVM formulations and the proposed risk-averse formulations using artificial and real-life datasets. The results show that multi-class SVMs with VaR are more stable to outliers and noise compared to multi-class SVMs with CVaR, and both of them are more stable than the original formulations.

Benzer Tezler

  1. Deprem sonrasında uydu verileri ve yersel veri entegrasyonu ile arazi örtüsü/arazi kullanımı analizi

    Land cover/land use analysis after an earthquake through integration of satellite and ground data

    CİHANGİR AYDÖNER

    Doktora

    Türkçe

    Türkçe

    2005

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Jeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı

    PROF.DR. DERYA MAKTAV

  2. Risk-averse multi-stage mixed-integer stochastic programming problems

    Riskten kaçınan çok aşamalı karma tam sayılı rassal programlama problemleri

    ALİ İRFAN MAHMUTOĞULLARI

    Doktora

    İngilizce

    İngilizce

    2019

    Endüstri ve Endüstri Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZLEM ÇAVUŞ İYİGÜN

    PROF. DR. MEHMET SELİM AKTÜRK

  3. Riskten kaçınan çok kollu haydut problem

    Risk-averse multi-armed bandit problem

    MILAD MALEKIPIRBAZARI

    Doktora

    İngilizce

    İngilizce

    2021

    Endüstri ve Endüstri Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ÖZLEM ÇAVUŞ İYİGÜN

  4. Risk-averse optimization for managing inventory in closed-loop supply chains

    Kapalı devre tedarik zincirlerinde riskten kaçınan envanter yönetimi optimizasyonu

    MELİS BEREN ÖZER

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Endüstri ve Endüstri Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. EMRE NADAR

    YRD. DOÇ. ÖZLEM ÇAVUŞ