Destek vektör makinesi ve çekirdek fonksiyonları üzerine bir çalışma
A study on support vector machine and kernel functions
- Tez No: 789193
- Danışmanlar: DR. ÖĞR. ÜYESİ SANEM ŞEHRİBANOĞLU
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Destek vektör makineleri, Kappa geometrisi, Polinomlar, ROC eğrisi, Support vector machines, Kappa geometry, Polynomials, ROC curves
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Van Yüzüncü Yıl Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında on adet farklı veri seti üzerinde Destek vektör makineleri ve çekirdek fonksiyonları olan Lineer çekirdek, Polinom çekirdek, Radial Basis, Sigmoid çekirdek ve Pearson VII işlevsel çekirdek fonksiyonları ile sınıflandırma işlemi yapılarak performans ölçütleri açıklanmıştır. İlk olarak sınıflandırma performansını etkileyen ceza parametresi olarak geçen C parametresi her bir çekirdek fonksiyonu için deneme yapılma yöntemi ile belirlenmiştir. Ardından doğruluk değeri, Kappa istatistik değeri ve ROC eğrisi altında kalan alan (AUC değeri) hesaplanarak sınıflar arasındaki uyum ve modelin başarı ölçütleri hesaplanmıştır. Tüm bu işlemlerden sonra çekirdek fonksiyonları arasındaki sınıflandırma başarısı değerlendirilmiş en yüksek başarı oranı olarak Lineer çekirdek ve Pearson VII işlevsel çekirdek fonksiyonu ile elde edildiği tespit edilmiştir.
Özet (Çeviri)
In this thesis, performance criteria are explained by classifying ten different data sets with Support vector machines and kernel functions such as Linear kernel, Polynomial kernel, Radial Basis, Sigmoid kernel and Pearson VII functional kernel functions. Firstly, the C parameter, which is the penalty parameter that affects the classification performance, was determined by the trial method for each kernel function. Then, the accuracy value, Kappa statistical value and the area under the ROC curve (AUC value) were calculated, and the fit between the classes and the success criteria of the model were calculated. After all these processes, the classification success among the kernel functions was evaluated and it was determined that the highest success rate was obtained with the Linear kernel and Pearson VII functional kernel function.
Benzer Tezler
- Softly semi-supervised learning for bioinformatics applications
Biyoenformatik uygulamaları için kesin etiketlenmemiş veriler ile yarı-gözetimli öğrenme
MELİS ÖZGÜR ÇETİNKAYA DEMİR
Yüksek Lisans
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ARZUCAN ÖZGÜR
- Destek vektör makineleri yardımıyla tüketici kredilerinin sınıflandırılması
Classifying consumer loans by means of support vector machines
KAYAHAN KAYA
Yüksek Lisans
Türkçe
2016
İşletmeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Osas hastaları için CPAP cihazlarındaki optimum basıncın yapay zeka ile tahmini
Prediction of optimum pressure in CPAP devices for osas patients by artificial intelligence
FATMA ZEHRA GÖĞÜŞ
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLAY TEZEL
- Penetration rate optimization in heterogeneous formations with support vector machines method
Destek vektör makinesi yöntemi ile heterojen formasyonlarda ilerleme hızı optimizasyonu
KORHAN KOR
Doktora
İngilizce
2021
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜRŞAT ALTUN
- Destek vektör makinesi sınıflandırma algoritması için genişletilmiş Gauss çekirdeği ve uygulamaları
Extended Gauss kernel and its applications for support vektör machine classification algorithm
AYŞENUR ERDEM
Yüksek Lisans
Türkçe
2023
Matematikİstanbul Medeniyet ÜniversitesiUygulamalı Matematik ve Hesaplamalı Bilimler Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. BETÜL HİÇDURMAZ