Multi-objective approaches for multi-target learning
Çok değişkenli öğrenmede çok hedefli yaklaşımlar
- Tez No: 645463
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 138
Özet
Çok hedefli veri kümeleri (ÇHVK), birkaç değişkenin eş zamanlı olarak tahminini gerektirir. Bu tip veri kümeleri birden fazla değişken için tahmin gerektirmesinden ötürü tek hedefli veri kümelerine kıyasla daha zorlayıcı olarak kabul edilirler. ÇHVK için olan öğrenme uygulamaları birtakım problemlerin ele alınmasını gerektirmektedir. Örneğin, hedeflerde ölçek tutarsızlıklarına yaygın olarak rastlanmaktadır. Genellikle bu durum dönüştürme işlemleriyle çözülmektedir ancak bu işlemler veri kümesinin istatistiksel özelliklerini değiştirebilmektedir. Özelliklerde gözlenen ölçek tutarsızlıkları, yarı denetimli öğrenme (YDÖ) uygulamalarında mesafeye dayalı hesaplamalara ihtiyaç duyulduğundan sorunlara neden olmaktadır. ÇHVK ilgili olarak ele alınması gereken bir başka konu da, hedefler arası ilişkileri öğrenme uygulamalarına dahil etmenin alternatif yollarını bulmaktır. Bu tez çalışmasında, yukarıda belirtilen konuları ele almak için denetimli öğrenme (DÖ), YDÖ ve özellik sıralama (ÖS) modelleri geliştirdim. Çok amaçlı en iyileme kavramlarından yararlanarak, işlenen değişkenlerin türüne karşı dayanıklı ve aynı zamanda hedefler arası ilişkilerden yararlanan öğrenme stratejileri önerdim. DÖ için, standart karar ağaçlarının çok amaçlı bir uzantısını ve seçici bir sınıflandırıcı zincir stratejisi önerdim. Önerilen modellerin kıyas modellerden daha iyi performans gösterdiğini deneylerle gösterdim. Ek olarak, çok amaçlı karar ağaçlarının, değişkenlerin etiket bilgisinin kısıtlı olduğu durumlarda daha iyi bir tahmin performansı göstermesini sağlayabilecek bir YDÖ modeli önerilmiştir. Yapılan deneylerle önerilen bu modelin kıyas modellerden daha iyi sonuç verdiği gösterilmiştir. Ayrıca, özelliklerde gözlenen yüksek boyutluluk ve ilgisizlik durumlarına karşın YD ağaçlara entegre edilmiş bir ÖS prosedürü geliştirilmiştir. Önerilen ÖS prosedürünün, kıyas yöntemlere göre tahmin performansını daha çok iyileştirdiği uygulamalarla gösterilmiştir.
Özet (Çeviri)
Multi-target datasets (MTD) require simultaneous prediction of several variables hence they are considered to be more challenging in terms of predictive tasks compared to single-target datasets. Mining of MTD requires handling of several problems. To exemplify, scale inconsistencies are widely encountered in the targets. Most of the existing approaches resolve this issue by transforming the targets to the same scale, yet those operations may change the statistical properties of the dataset. Besides, features' scale inconsistencies cause problems in semi-supervised learning (SSL) applications since distance-based calculations are required therein. Another issue with MTD is, to explore alternative ways of including the target relations in learning applications. In this thesis, I develop supervised learning (SL), SSL and feature ranking (FR) models for MTD to deal with aforementioned problems. Benefiting from multi-objective optimization concepts, I aim to propose learning strategies that are robust to the type of the variables processed and utilize the target relations at the same time. Specifically, I propose a multi-objective extension for standard decision trees and a selective classifier chaining strategy for SL tasks. Experimental studies show that proposed models outperform their benchmark models. Besides, multi-objective trees extended to their semi-supervised version so that proposed form could result a competitive performance when the label information is not adequate. Performed experiments show a significant improvement of the proposed model over its benchmarks. In addition, since high-dimesionality and irrelevance in features reduce the effectiveness of a learning model, an embedded feature ranking (FR) procedure to semi-supervised trees is given to address this problem. Applications on several datasets show that, proposed FR procedure enhances the predictive performance compared to its benchmark approaches.
Benzer Tezler
- Graph based concept discovery for multi relational data mining
Çok ilişkili veri madenciliği için çizge tabanlı konsept tanımlama
MAHMUT İĞDE
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDeniz Harp Okulu KomutanlığıBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YUSUF KAVURUCU
- 2018-2023 yılları arasında Türkiye'nin yenilenebilir enerji yatırım portföyünün kurgulanması: Çok amaçlı doğrusal programlama metodu önerisi
Construction of a renewable energy investment portfolio in Turkey (2017-2023): A multi-objective linear programing model proposal
BERKER BAYAZIT
Yüksek Lisans
Türkçe
2018
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- IQ-flow: Mechanism design for inducing cooperative behavior to self-interested agents in sequential social dilemmas
TQ-akışı: Ardışıl sosyal ikilemlerdeki çıkarcı etmenleri işbirlikçi davranışa teşvik etmek için mekanizma tasarımı
BENGİSU GÜRESTİ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- A comparative study of nonlinear model predictive control and reinforcement learning for path tracking
Yol izleme için doğrusal olmayan model öngörülü kontrol ve pekiştirmeli öğrenmenin karşılaştırmalı çalışması
GAMZE TÜRKMEN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. OVSANNA SETA ESTRADA
- Hareket başlatma ve derin beyin uyarımına ilişkin bir bazal çekirdek devresi hesaplamalı modeli
A computational model of basal ganglia for action initiation and deep brain stimulation
MUSTAFA YASİR ÖZDEMİR
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. NESLİHAN SERAP ŞENGÖR