Boyut indirgemenin sınıflandırmaya etkisi
The effect of dimension reduction to classification
- Tez No: 944883
- Danışmanlar: PROF. DR. CEMAL ATAKAN
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
Çok sayıda değişken içeren veri kümeleri, istatistiksel analizlerde çok değişkenli veriler olarak adlandırılır. Çok değişkenli verilere ilişkin analizlerde, çeşitli zorluklarla karşılaşılabilir. Bu zorlukların üstesinden gelmek için farklı analiz yöntemler geliştirilmiştir. Bu yöntemlerden biri olan boyut indirgeme, verinin temel yapısını veya önemli özelliklerini koruyarak değişken sayısını azaltmayı amaçlar. Bu tezde, çok değişkenli verilerle yapılan sınıflandırma işlemlerinde boyut indirgeme yöntemlerinin etkileri araştırılacaktır. Boyut indirgeme yöntemleriyle aralarında ilişki bulunan çok boyutlu (değişkenli) veriler ilişkisiz değişkenlere indirgenir. Temel Bileşenler Analizi (TBA), boyut indirgeme yöntemleri arasında en çok kullanılan yöntemdir. Bu çalışmada, farklı boyutlu değişkenlere sahip veriler, boyut indirgemeden önce ve boyut indirgedikten sonra Kümeleme ve Diskriminant Analizi gibi yöntemlerle sınıflandırılarak boyut indirgemenin, verilerin doğru sınıflandırma olasılıkları üzerinde etkisi olup olmadığı incelenmiştir.
Özet (Çeviri)
Data sets containing a large number of variables are called multivariate data in statistical analysis. In analyzing multivariate data, various difficulties can be encountered. Different analysis methods have been developed to overcome these difficulties. One of these methods, dimensionality reduction, aims to reduce the number of variables while preserving the basic structure or important features of the data. In this thesis, the effects of dimensionality reduction methods on classification processes with multivariate data will be investigated. Dimensionality reduction methods reduce multi-dimensional (variable) data with correlated variables to uncorrelated variables. Principal Component Analysis (PCA) is the most widely used dimension reduction method. In this study, data with different dimensional variables are classified by methods such as Clustering and Discriminant Analysis before and after dimension reduction, and it is examined whether dimension reduction has an effect on the probability of correct classification of data.
Benzer Tezler
- Analysis of hyperspectral images with deep learning methods
Derin öğrenme yöntemleriyle hiperspektral görüntülerin analizi
EKREM TARIK KARAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Boyut indirgeme ve hiperspektral veri sınıflandırmasındaki etkileri
Dimension reduction and its effects in hyperspectral data classification
LINA YOUNUS
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Aydın ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NECİP GÖKHAN KASAPOĞLU
- Reduced dimensional features for object recognition
Nesne tanıma için boyutu indirgenmiş öznitelik vektörleri
REYHAN KEVSER KESER
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- Automatic target recognition for synthetic aperture radar data
Yapay açıklıklı radar verileri için otomatik hedef tanıma
HASNA EL HASNAOUY
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Aydın ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NECİP GÖKHAN KASAPOĞLU
- Farklı kumaş türlerindeki kan lekesinden ATR-FT-IR spektroskopisiyle birleştirilmiş kemometrik yaklaşımla cinsiyet belirlenmesinin değerlendirilmesi
Başlık çevirisi yok
FATMA BEYZA KULA
Yüksek Lisans
Türkçe
2021
Adli Tıpİstanbul Üniversitesi-CerrahpaşaFen Bilimleri Ana Bilim Dalı
PROF. DR. EMEL HÜLYA YÜKSELOĞLU
ÖĞR. GÖR. NUR ÇEBİ