Sample based regularization for support vector regression
Destek vektör regresyonu için örnek tabanlı düzenleme
- Tez No: 792307
- Danışmanlar: PROF. DR. CÜNEYT GÜZELİŞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Yaşar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 79
Özet
Regresyon analizi, işletme, finans, ekonomi, mühendislik ve diğer disiplinlerdeki iki veya daha fazla nicel değişken arasındaki ilişkiyi tahmin etmek için makine öğreniminde kullanılan istatistiksel bir yöntemdir. Bu tezde, genelleme yeteneğini artırmak için Destek Vektör Regresyonunun (DVR) maliyet fonksiyonunu mutlak değer norm terimi eklenmesiyle yükselten örnek tabanlı düzenlileştirme algoritması önerdik. Genellikle regresyon problemleri için kullanılan Destek Vektör Makine (DVM) tabanlı bir makine öğrenme modeli olan DVR'nin genelleme yeteneğini artırmayı hedefliyoruz. Genelleme yeteneği problemine yönelik mevcut yaklaşımların aksine, modelin genelleme kabiliyetini artırarak DVR modelinin performansını iyileştirdik. Önerilen yöntemle ağırlıkları sıfıra doğru çekiyor, DVR modelinin destek vektör sayısını azaltıyor ve böylece modelin genelleme yeteneğini artırıyoruz. Yaklaşımımızın modelin performansı üzerindeki etkisini görmek için onu geleneksel regresyon makine öğrenimi modelleriyle karşılaştırdık. Ayrıca önerilen modelin sonuçlarını yakın tarihli bir çalışmanın sonuçlarıyla karşılaştırdık. Yaklaşımımızın performansını değerlendirmek için R2 puan metriğini, ortalama kare hatası, karekök ortalama hata ve mutlak hata metriklerini karşılaştırdık. Ayrıca modellerin eğitim ve uygulama sürelerini de sunuyoruz. Ayrıca, bina içi yangın ve orman yangını algılama uygulamalarında SVR modelinin örnek tabanlı bir düzenleme ile uygulanmasını gösteriyoruz. Bu nedenle, DVR için yeni Örnek Tabanlı Düzenleme ile bir Hibrit ÖD-DVR mimarisi geliştiriyoruz. Bu yöntemi makine öğrenimi modelleri ile karşılaştırdık. Ek olarak, Doğruluk, Kesinlik, Hassasiyet, F1 puanı, Gerçek Pozitif Oran (GPO) ve Gerçek Negatif Oran (GNO) açısından sonuçlarımızı sunuyoruz. Bu tezde sunulan çalışma, örnek tabanlı düzenlileştirme adı verilen verimli bir düzenlileştirme yöntemi sunarak Destek Vektörü Regresyon literatürüne katkıda bulunmaktadır.
Özet (Çeviri)
Regression analysis is a statistical method used in machine learning to estimate the relationship between two or more quantitative variables in business, finance, economics, engineering, and other disciplines. In this thesis, we proposed a sample based regularization algorithm that augments the cost function of Support Vector Regression (SVR) to increase generalization ability. We aim to increase the generalization capability of SVR, which is a Support Vector Machine (SVM) based machine learning model generally used for regression problems. Contrary to the current approaches to the generalization ability problem, we have improved the performance of the SVR model by increasing the generalization ability of the model. We reduce the weights towards zero, decrease the number of support vectors of the SVR model and increase the generalization ability of the model by the proposed method. In order to see the effect of our approach on the performance of the model, we compared it with the conventional regression machine learning models. We also compared the results of the proposed model with the results of a recent study. In order to evaluate the performance of our approach, we compared the R2 score metric, Mean Square Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE) error metrics. We also present the training and execution times of the models. Moreover, we show the implementation of the SVR model with a sample based regularization in indoor fire and forest fire detection applications. Accordingly, we develop a Hybrid SR-SVR architecture with the novel sample based regularization for SVR. We compared this method with the machine learning models. In addition, we present our results in terms of Accuracy, Precision, Recall, F1 score, True Positive Rate (TPR), and True Negative Rate (TNR). The study presented in this thesis contributes to the Support Vector Regression literature by introducing an efficient regularization method, so called sample based regularization.
Benzer Tezler
- Deep feature transfer from deep learning models into machine learning algorithms to classify COVID-19 from chest X-ray images
Göğüs röntgeni görüntülerinden COVID-19 sınıflandırması yapmak amacıyla derin öğrenme modellerinden makine öğrenmesi algoritmalarına derin öznitelik aktarımı
OZAN GÜLDALİ
Yüksek Lisans
İngilizce
2021
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL İNAN
- Compressed sensing based 3D image reconstruction in digital breast tomosynthesis and micro-bioimaging
Sayısal meme tomosentezinde ve mikro biyogörüntülemede sıkıştırılmış algılama tabanlı 3B görüntü geri çatma
ADEM POLAT
Doktora
İngilizce
2018
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Row and column selection algorithm for SVR model estimation on large scale business problems
Büyük veri setlerinde destek vektör regresyonu için sütun ve satır seçme yöntemi
KÜBRA YAMAN
Yüksek Lisans
İngilizce
2010
Endüstri ve Endüstri MühendisliğiKoç ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ÖZDEN GÜR ALİ
- Consideration of urban regeneration as an approach in slum transformation in Ghana
Gana'daki gecekondu alanlarının dönüşümünde bir yaklaşım olarak kentsel dönüşümün değerlendirilmesi
ABUBAKAR SADIQ ABASS
Yüksek Lisans
İngilizce
2018
Şehircilik ve Bölge PlanlamaGebze Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. MEHMET KÜÇÜKMEHMETOĞLU
- Diyabetik retinopati teşhisi için derin öğrenme tabanlı sınıflandırma analizi
Deep learning based classification analysis for diabetic retinopathy diagnosis
DİLAN BUDAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAksaray ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. RAHMİ BAKİ
DOÇ. DR. KEMAL ADEM