On the optimization of support vector machines performance for wheat classification
Destek vektör makinelerinin performansının buğday sınıflandırması ile optimizasyonu hakkında
- Tez No: 637622
- Danışmanlar: DOÇ. DR. MUZAFFER KANAAN
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 127
Özet
Yüksek genelleme yetenekleriyle tanınan destek vektör makineleri (SVM'ler) yaygın olarak kullanılan güçlü bir makine öğrenme (machine learning) algoritmasıdır. Bununla birlikte, değerleri performanslarında önemli bir rol oynayan ve eldeki veri kümesine göre ayarlanması gereken bazı hiper-parametreleri içerirler. Sonuç olarak, bu çalışma öncelikle hiper-parametrelerini etkili bir şekilde ayarlayarak dört farklı SVM tipinin performansını artırmayı amaçlamaktadır. Bu dört tür, Gauss, polinom, sigmoid SVM'ler ve ağırlıklı bir Gauss ve polinom SVM toplamıdır (bundan böyle hybrid-kernel SVM'ler olarak anılacaktır). Bu çalışma kapsamında, buğday çeşitlerini sınıflandırmak amacı ile veri kümesine göre hiper-parametreleri ayarlamak için beş meta-sezgisel optimizasyon algoritması uygulanmakta ve yukarıda anlatılan SVM performansları Buğday Çeşitleri very kümesine (wheat varieties data set) uygulanmaktadır. Bu beş algoritma, yapay arı kolonisi (ABC), öğretme-öğrenme tabanlı optimizasyon (TLBO) algoritması, guguklu arama (CS), derinlemesine arama çerçevesine sahip ABC (DFSABC) ve öğretme-öğrenme tabanlı ABC'dir (TLABC). Sonuçlar, dört SVM sınıflandırıcısının performansının önemli ölçüde iyileştirildiğini göstermektedir. Gauss, polinom, sigmoid ve hybrid-kernel SVM'lerin en iyi sınıflandırma doğruluğu sırasıyla %98.57, %98.10, %98.10 ve %97.62'dir. Bu sonuçlar literatürde, aynı veri kümesi baz alınarak daha önce belgelenmiş sonuçlardan daha iyidir. Genel olarak, Gauss SVM'leri birinci, sigmoid SVM'ler ise sınıflandırma doğruluğu ve hesaplama süresine göre ikinci sırada yer almaktadır. Meta-sezgisel algoritmalar ile ilgili olarak, ABC bu problemde en kötü yakınsamaya sahipken, diğer dört algoritma neredeyse benzer yakınsamalar sergiler. Bununla birlikte, hem yakınsama hem de hesap zamanı göz önüne alındığında, DFSABC diğerlerinden biraz daha iyi performans sergilediği tespit edilmiştir.
Özet (Çeviri)
Support vector machines (SVMs), renowned for their high generalization ability, are a widely used, powerful Machine Learning algorithm. Yet, they, like other learning algorithms, involve some hyper-parameters whose values play a crucial role in their performance and require to be tuned according to the dataset at hand. Consequently, this work aims primarily to improve the performance of four different types of SVMs by efficiently tuning their hyper-parameters. These four types are Gaussian, polynomial, sigmoid SVMs, and a weighted sum of Gaussian and polynomial SVMs (hereafter known as hybrid-kernel SVMs). Five meta-heuristic optimization algorithms; namely artificial bee colony (ABC), teaching-learning-based optimization (TLBO) algorithm, cuckoo search (CS), ABC with the depth-first-search framework (DFSABC), and teaching-learning-based ABC (TLABC); are implemented to tune the hyper-parameters according to the wheat varieties dataset. They search for the optimum hyper-parameters leading to the minimum five-fold cross-validation error. The results demonstrate that the performance of the four SVM classifiers is improved significantly, such that the best classification accuracies of Gaussian, polynomial, sigmoid and hybrid-kernel SVMs are 98.57%, 98.10%, 98.10% and 97.62% respectively. These results outperform those found in the literature. Overall, Gaussian SVMs rank first while sigmoid SVMs rank second with respect to the classification accuracy and computational time combined. As regards the meta-heuristic algorithms, ABC has the worst convergence in this problem, whereas the other four algorithms exhibit almost similar convergences. Nonetheless, DFSABC is a bit better than the others when both convergence and computational time are considered.
Benzer Tezler
- Doku ve renk öznitelikleriyle tarla görüntülerinden bitki ve fenolojik evrelerinin çıkarımı
Plant and phenology recognition from field images using texture and color features
FATİH GÜLAÇ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Film endüstrisinde makine öğrenmesi algoritmaları ile yeni ürünlerin gelir tahmini
Revenue forecasting for new products with machine learning algorithms in movie industry
ÖZGE HÜSNİYE NAMLI
Yüksek Lisans
Türkçe
2018
Endüstri ve Endüstri Mühendisliğiİstanbul ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUNCAY ÖZCAN
- Esnek üretim sistemleri için bir etkin üretim denetleme modeli
An Effective supervisory control model for flexible manufacturing systems
BAHAR KORKUSUZ
Doktora
Türkçe
1989
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. GÖNÜL YENERSOY
- Veri güdümlü dijital ikiz modeli ile freze takım tezgahı takım aşınma tahminlemesi ve kesme parametreleri optimizasyonu
Prediction of tool wear and cutting parameter optimization of milling machine tool with data-driven digital twin model
GİZEM BURUN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Efficient machine learning models for cancer biology
Kanser biyolojisi için etkin yapay öğrenme modelleri
AYYÜCE BEGÜM BEKTAŞ
Doktora
İngilizce
2022
Endüstri ve Endüstri MühendisliğiKoç ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET GÖNEN