Destek vektör makineleri parametrelerinin meta sezgisel yöntemler ile optimizasyonu ve parkinson hastalığı veri seti üzerinde uygulanması
Optimization of support vector machines by meta heuristic methods and applying on parkinson's disease dataset
- Tez No: 701469
- Danışmanlar: DOÇ. DR. TURGUT ÖZSEVEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 119
Özet
Dopamin hücresinin zamanla azalması ve yetersiz kalması sonucunda parkinson hastalığı ortaya çıkar. Bu azalma yaşa bağlı olarak değişir. Dünya nüfusunun gittikçe yaşlandığı gerçeği dikkate alındığında bu hastalık ilerleyen yıllarda artabilir. Bu hastalık için kesin bir teşhis yöntemi olmamakla birlikte hasta uzun bir süre takip altında tutulur ve sonrasında parkinson hastalığı tanısı konulabilir. Bu tez çalışmasında parkinson hastalarının tespit edilebilmesi için Destek Vektör Makineleri (DVM) ile sınıflandırma yapılmıştır. DVM'de bulunan parametrelerin seçimi oldukça önemlidir. Hatalı parametre seçimi DVM'nin sınıflandırma başarısını etkilemektedir. Bu yüzden son yıllarda literatürde meta sezgisel yöntemler yoğun bir şekilde kullanılmış ve başarılı sonuçlar elde edilmiştir. Bu çalışmada Yarasa Algoritması (YA), İyileştirilmiş Kaotik Parçacık Sürü Optimizasyonu (İKPSO), İyileştirilmiş Genetik Algoritma (İGA) ve Armoni Arama Algoritması (AAA) kullanılarak DVM optimizasyon modelleri oluşturulmuştur. Çalışmadaki deneyler UCI (Machine Learning Repository of University of California at Irvine) veri tabanından alınan iki farklı parkinson hastalığı veri seti üzerinde yapılmıştır ve bu veri setleri Parkinson 1 ve Parkinson 2 şeklinde isimlendirilmiştir. Elde edilen sonuçlar doğruluk, duyarlılık, seçicilik, kesinlik ve F1 skor değerlendirme ölçütleri kullanılarak karşılaştırılmıştır. DVM çekirdek fonksiyonlarından RBF, lineer ve polinom çekirdek fonksiyonu kullanılmıştır. İki veri setinde de genel olarak RBF çekirdek fonksiyonu en başarılı performansa sahiptir. Parkinson 1 ve Parkinson 2 veri setlerinde en iyi doğruluk sonuçları sırasıyla %88,75 ile İKPSO-DVM ve %95.422 ile YA-DVM modellerine aittir. Literatür karşılaştırmaları önerilen modellerin bazı çalışmalardan daha iyi, bazı çalışmalar ile de rekabet edebilecek seviyede olduklarını göstermiştir.
Özet (Çeviri)
Parkinson's disease occurs as a result of the decrease and insufficiency of dopamine cells over the time. This decrease varies with age. Considering the fact that the world population is getting older, this disease may increase in the coming years. Although there is no definitive diagnosis method for this disease, the patient is kept under follow-up for a long time and then parkinson's disease can be diagnosed. In this thesis study, classification was made with Support Vector Machine (SVM) to detect parkinson's patients. The selection of parameters in SVM is very important. Incorrect parameter selection affects the classification success of SVM. Therefore, meta heuristic methods have been used extensively in the literature in recent years and successful results have been obtained. In this study, SVM optimization models were created using Bat Algorithm (BA), Improved Chaotic Particle Swarm Optimization (ICPSO), Improved Genetic Algorithm (IGA) and Harmony Search Algorithm (HSA). Experiments in the study were conducted on two different parkinson's disease datasets taken from the UCI (Machine Learning Repository of University of California at Irvine) database and these datasets were named as Parkinson 1 and Parkinson 2. Obtained results were compared using accuracy, sensitivity, specificity, precision and F1 score evaluation criteria. Among DVM kernel functions, RBF, linear and polynomial kernel functions were used. In general, RBF kernel function has the most successful performance in both datasets. The best accuracy results in Parkinson 1 and Parkinson 2 datasets belong to ICPSO-SVM model with 88.75% and BA-DVM model 95.422%, respectively. Literature comparisons have shown that the proposed models are better than some studies and can compete with some studies.
Benzer Tezler
- Destek vektör makineleri parametrelerinin meta sezgisel optimizasyon algoritmaları ile belirlenmesi
Determination of support vector machine parameters by meta heuristic optimization algorithms
BURAK TEZCAN
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- On the optimization of support vector machines performance for wheat classification
Destek vektör makinelerinin performansının buğday sınıflandırması ile optimizasyonu hakkında
SHAWQI MOHAMMED OTHMAN FAREA
Yüksek Lisans
İngilizce
2020
Mekatronik MühendisliğiErciyes ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUZAFFER KANAAN
- Pre-release forecasting of imdb movie ratings using multi-view data
Gösterime girmemiş filmlerin ımdb puanının farklı özellik kümeleri kullanılarak tahmin edilmesi
BEYZA ÇİZMECİ
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- An ensemble learning model for wide-area measurement based transient stability assessment in power systems
Güç sistemlerinde geniş alan ölçümlerine dayalı geçici hal kararlılık değerlendirmesi için bir topluluk öğrenme modeli
CAN BERK SANER
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Destek vektor makineleri tabanlı ayrık zamanlı kayma kipli kontrolör tasarımı
Support vektor machines based discrete-time sliding mode controller design
LÜTFİ ULUSOY
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik MühendisliğiPamukkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERDAR İPLİKÇİ