Geri Dön

Çoklu doğum destek vektör makineleriyle kümeleme algoritmasının kullanılması

Using clustering algorithm with multiple birth support vector machines

PDF İndir

  1. Tez No: 929318
  2. Yazar: NİSA NUR BÜLBÜL
  3. Danışmanlar: PROF. DR. GÜVENÇ ARSLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Kırıkkale Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 50

Özet

Büyük veri, gün geçtikçe daha da önemli bir hale gelmektedir. Büyük veriyi analiz etmek amacıyla birçok farklı yöntem kullanılmaktadır. Bu çalışmanın amacı, makine Çoklu Doğum Destek Vektör Makinelerinde (ÇD-DVM) k-ortalamalar kümeleme algoritmasını kullanarak hesaplama performansına etkisini araştırmaktır. Önerilen bu yaklaşımla, büyük ve karmaşık veri kümelerinde zaman ve hesaplama karmaşıklığı azaltılırken sınıflandırma performansının korunması veya arttırılmaması hedeflenmiştir. ÇD-DVM, çok sınıflı veri kümelerinde her sınıf için ayrı hiper-düzlemi optimize etmektedir. Bu algoritmanın uygulanmasında farklı yöntemler olmasına karşılık bu çalışmada En Küçük Kareler (EKK) yöntemini kullanan ÇD-EKK-DVM tercih edilmiştir. Performansı değerlendirme için seçilen bazı veri kümeleri için ÇD-EKK-DVM 'yle k-ortalamalar algoritması kullanımı, bazı veri kümelerinde test doğruluğunu artırırken, bazı veri kümelerinde performans kaybına yol açmıştır. Buna karşılık her durumda hesaplama yoğunluğunu azalttığı gözlemlenmiştir.

Özet (Çeviri)

Big data is becoming more and more important day by day. Many different methods are used to analyze big data. The aim of this study is to investigate the effect of k-means clustering algorithm on the computational performance of machine Multiple Birth Support Vector Machines (MB-SVM). The proposed approach aims to reduce the time and computational complexity of large and complex datasets while maintaining or not increasing the classification performance. For multi-class datasets, the MB-SVM optimizes a separate hyperplane for each class. Although there are different methods for implementing this algorithm, in this study, we have chosen to apply the LS-MB-SVM, which uses the Least Squares (LS) method. For some of the datasets selected for performance evaluation, the use of the k-means algorithm with the LS-MB-SVM improved the test accuracy on some datasets, but led to a loss of performance on others. On the other hand, it was observed to reduce computational intensity in all cases.

Benzer Tezler

  1. Tez No

    715477

    Çoklu doğum-destek vektörlü makinelerle sınıflama

    Classification with multiple birth-support vector machines

    MÜCAHİT GÜLER

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    İstatistikKırıkkale Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. GÜVENÇ ARSLAN

  2. Tez No

    498333

    Polimer bazlı cam parlatma keçelerinin üretimi

    Production of polymer based glass polishing pads

    MELİHA KÜÇÜKBENLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Kimya MühendisliğiHitit Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İBRAHİM BİLİCİ

  3. Tez No

    858438

    Çoklu doğum destek vektör makinelerde parametre seçimi için genetik algoritma kullanılması

    Using genetic algorithm for parameter selection in multiple birth support vector machines

    VOLKAN DURUKAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İstatistikKırıkkale Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. GÜVENÇ ARSLAN

  4. Tez No

    933666

    Discrimination neonatal hypoxic-ischemic encephalopathy grades of severity from multiple EEG signals using machine learning classifiers

    Çoklu EEG sinyallerinden sınıflandırıcılar kullanarak yenidoğan hipoksi-iskemi ensefalopatisinin şiddet derecelerinin ayrımı

    EZZADDIN TALIB KADHIM KADHIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    PROF. DR. OSMAN NURİ UÇAN

  5. Tez No

    318839

    Semantic classification and retrieval system for environmental sounds

    Çervresel sesler için anlamsal sınıflandırma ve geri erişim sistemi

    ÇİĞDEM OKUYUCU

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADNAN YAZICI

    YRD. DOÇ. DR. MUSTAFA SERT

Geri Dön