Optimization approaches for classification and feature selection using overlapping hyperboxes
Sınıflandırma ve özellik seçimi için örtüşebilen hiper kutu kullanan optimizasyon yaklaşımları
- Tez No: 545897
- Danışmanlar: PROF. DR. NUR EVİN ÖZDEMİREL, YRD. DOÇ. DR. CEM İYİGÜN
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 209
Özet
Bu tezde, ikili sınıflandırma problemleri için bir optimizasyon yaklaşımı önerilmiştir. Sınıflandırıcı olarak hiper kutu oluşturmak için karma tamsayılı programlama (KTP) model formülasyonu kullanılmıştır. Hiper kutular, özellik değerlerinin alt ve üst sınırlarından oluşur. Kutuların örtüşmesine izin verilerek, hatalı sınıflandırma ile aşırı uyum arasında bir denge oluşturulmaya çalışılmıştır. Test aşaması için, kutuların örtüşen alanlarına düşen veya kutularla kapsanmayan örnekleri sınıflandırmak için mesafeye dayalı sezgisel algoritmalar da geliştirilmiştir. İkili sınıflar için hiper kutu sınıflandırması yöntemi olarak, KTP formülastonuna dayanan bir matematiksel sezgisel (HCB) geliştirilmiştir. HCB algoritmasının her aşamasında, KTP modeli kullanılarak hiper kutu(lar) üretilir ve sınıflandırılmamış örnek sayısı geliştirilen kutu kırpma algoritmasıyla azaltılır. HCB hiper kutu sayısını obur sezgisel yöntemle kontrol etmesine rağmen, öğrenme aşaması sonunda hatasız bir hiper kutu yapılandırması sağlar. HCB algoritmasına özellik seçimi kabiliyetinin de eklenmesiyle, HCB-f geliştirilmiştir. HCB-f algoritması tek bir özellik kullanımıyla başlayarak, modele her yinelemede yeni hiper kutu(lar) ya da yeni bir özellik dahil eder. Algoritma sonlandığında, özellikler seçilmiş olur.
Özet (Çeviri)
In this thesis, an optimization approach is proposed for the binary classification problem. A mixed integer programming (MIP) model formulation is used to generate hyperboxes as classifiers. The hyperboxes are determined by lower and upper bounds on the feature values, and overlapping of hyperboxes is allowed to reach a balance between misclassification and overfitting. For the test phase, distance-based heuristic algorithms are also developed to classify the overlap and uncovered samples that are not classified by the hyperboxes. A matheuristic, namely Hyperbox Classification for Binary classes (HCB), is developed based on the MIP formulation. In each iteration of the HCB algorithm, a fixed number of hyperboxes are generated using the MIP model, and unclassified sample size is reduced by a hyperbox trimming algorithm. Although HCB controls the number of hyperboxes in a greedy manner, it provides an overall hyperbox configuration with no misclassification at the end of the training phase. HCB is extended as HCB-f with the addition of feature selection property. Starting with a single feature, HCB-f inserts features and hyperboxes to the model iteratively. When the algorithm terminates, only the set of inserted features are used for classification, hence they are selected.
Benzer Tezler
- Cisim tanıma problemine yapay sinir ağlarının uygulanması
Application of artificial neural networks to object recognition
ATİLLA ÜSTÜN
Yüksek Lisans
Türkçe
1999
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. A. TALHA DİNİBÜTÜN
- Mimari miras unsurlarının dijital zanaatı: 13. yy. Selçuklu Dönemi Camilerinin ahşap sütunları
Digital craft of architectural heritage elements: Wooden pillars of 13th century Seljuk Mosques
BAVER BEKİROĞLU
Yüksek Lisans
Türkçe
2024
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
DOÇ. DR. SEMA ALAÇAM
DOÇ. DR. ORKAN ZEYNEL GÜZELCİ
- Meta-analysis of microRNA and gene selection using machine learning
Makine öğrenmesi kullanarak microRNA meta-analizi ve gen seçimi
ELNAZ PASHAEI
Doktora
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NİZAMETTİN AYDIN
- Çok sınıflı medikal görüntü sınıflandırması için melez derin öğrenme yaklaşımları
Hybrid deep learning approaches for the multi class medical image classification
ZELİHA KAYA AKÇELİK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖNÜL ULUDAĞ
- Machine learning approaches for internet of things based vehicle type classification and network anomaly detection
Nesnelerin interneti tabanlı araç tipi sınıflandırma ve ağ anomalisi tespiti için makine öğrenmesi yaklaşımları
BURAK KOLUKISA
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VEHBİ ÇAĞRI GÜNGÖR