Zaman serisi sınıflandırmasında topluluk öğrenme yöntemlerinin karşılaştırılması
Comparison of community learning methods in time series classification
- Tez No: 904992
- Danışmanlar: DOÇ. DR. NEVİN GÜLER DİNCER
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Torbalama, Arttırma, İstifleme, Zaman Serisi Sınıflandırması, Topluluk Öğrenme, Bagging, Boosting, Stacking, Time Series Classification, Ensemble Learning
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Zaman serisi sınıflandırması (ZSS), çevre bilimleri, sağlık bilimleri, siber güvenlik, ekonomi, hata teşhisi, konuşma tanıma, görüntü ve sinyal işleme gibi birçok disiplinde geniş bir uygulama alanına sahiptir. ZSS, ardışık zaman aralıklarında ölçülen gözlemler kümesine karşılık gelen veri setlerine uygulanan bir sınıflandırma türüdür. ZSS problemini ele almak için şu ana kadar çok sayıda yöntem önerilmiştir. Bu yöntemleri, kullanılan sınıflandırma yöntemine göre temel, topluluk öğrenme, derin öğrenme yöntemleri veya sınıflandırma aşamasında kullanılan bireye göre, ham, özellik tabanlı ve model tabanlı olacak şekilde gruplandırmak mümkündür. Temel ZSS yöntemleri, Karar Ağaçları, Destek Vektör Makineleri, Bayes, K-En Yakın Komşuluk, Lojistik Regresyon gibi yöntemlerin ham zaman serilerinden oluşan veri setine veya ham zaman serilerinden çıkarılan özellik veya model parametrelerinden oluşan veri setlerine uygulanması şeklinde özetlenebilir. Topluluk öğrenme yöntemleri ise, sınıflandırma problemini çözmek için birden fazla temel öğrenme yönteminden veya topluluk öğrenme yönteminden elde edilen sınıflandırma sonuçlarını birleştirilir. Topluluk öğrenme yöntemleri, tahmin sonuçlarının birleştirilme biçimine göre torbalama, arttırma ve istifleme olmak üzere üç kategoriye ayrılır. Bu tez çalışmasındaki amaç değişik kategorilerden seçilen veya oluşturulan topluluk öğrenme yöntemlerinin ZSS'daki sınıflandırma başarılarını karşılaştırmaktır. Belirlenen amaç doğrultusunda, 8 torbalama, 8 arttırma ve 15 istifleme algoritmasından oluşan 31 topluluk öğrenme algoritması 100 UCR veri setine uygulanmıştır. Yöntemlerin sınıflandırma başarılarını karşılaştırmak için Doğruluk, F-ölçüsü ve Hassasiyet ölçülerinden yararlanılmıştır.
Özet (Çeviri)
Time series classification (TSC) has a wide range of applications in many disciplines such as environmental sciences, health sciences, cyber security, economics, fault diagnosis, speech recognition, image and signal processing. TSC is a type of classification applied to data sets that correspond to a set of observations measured at successive time intervals. Numerous methods have been proposed so far to address the TSC problem. It is possible to group these methods as base, ensemble learning, deep learning methods according to the classification method used, or raw, feature-based and model-based, depending on the individual used in the classification stage. Base TSC methods can be summarized as applying methods such as Decision Trees, Support Vector Machines, Bayes, K-Nearest Neighbor, Logistic Regression to data sets consisting of raw time series or to data sets consisting of feature or model parameters extracted from raw time series. Ensemble learning methods, on the other hand, combine the classification results obtained from more than one base learning method or ensemble learning method to solve the classification problem. Ensemble learning methods are divided into three categories: bagging, boosting and stacking, depending on the way the prediction results are combined. The aim of this thesis is to compare the classification success of ensemble learning methods selected or created from different categories in TSC. In line with the specified purpose, 31 ensemble learning algorithms consisting of 8 bagging, 8 boosting and 15 stacking algorithms were applied to 100 UCR data sets. Accuracy, F-measure and Precision measures were used to compare the classification success of the methods.
Benzer Tezler
- Ensemble and deep learning on astronomical data with different modalities
Astronomik veride farklı kiplerle topluluk öğrenmesi ve derin öğrenme
FATMA KUZEY EDEŞ HUYAL
Doktora
İngilizce
2023
Astronomi ve Uzay Bilimleriİstanbul Teknik ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE ONUR KAHYA
PROF. DR. ZEHRA ÇATALTEPE
- Döviz kuru ve döviz kuru oynaklığının Türkiye'nin Avrupa Birliği'ne olan tarımsal ihracatı üzerindeki etkisinin belirlenmesi
Determining the effects of exchange rate and exchange rate volatility on Turkey's agricultural export to the European Union
YILMAZ TOKTAŞ
- Investigation of emotional state using machine learning techniques based on complexity and spectral features of electroncephalogram
Duygu durumunun elektroensofalografideki karmaşıklık ve spektral öznitelikler temelinde makina öğrenme teknikleri ile araştırılması
AHMED M. ABDALLA MOHAMED
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
DOÇ. DR. ADİL DENİZ DURU
- Cardiac arrhythmias classification based on spectrogram and convolutional neural networks
Kalp aritmilerinin evrişimsel sinir ağları ve spektrogram tabanlı yöntemle sınıflandırılması
SENA YAĞMUR ŞEN
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NALAN ÖZKURT
- Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data
Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması
MERVE BOZO
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
