Hiperyüzey tabanlı özellik dönüşümleri ile sınıflandırma performansının artırılması
Improving classfication performance through hypersurface based feature transformations
- Tez No: 944953
- Danışmanlar: DOÇ. DR. MUTTALİP ÖZAVŞAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Matematik, İç Hastalıkları, Computer Engineering and Computer Science and Control, Mathematics, Internal diseases
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Ana Bilim Dalı
- Bilim Dalı: Matematik Bilim Dalı
- Sayfa Sayısı: 64
Özet
Bu tez kapsamında, hiperyüzey tabanlı özellik dönüşümlerinin makine öğrenmesi algoritmalarının sınıflandırma performansına etkisi araştırılmıştır. Özellikle yüksek boyutlu optimizasyon problemlerinde yaygın olarak kullanılan Rastrigin fonksiyonu, bu çalışmada özellik dönüşümü amacıyla özgün biçimde yeniden tasarlanarak kullanılmıştır. Geliştirilen yöntem, verileri orijinal n boyutundan sadece bir boyut artırarak (n+1) boyutlu bir alana taşımakta, böylece ek boyutsal karmaşıklığı minimize etmektedir. Yöntemin etkinliği önce 3 ila 12 boyut aralığında değişen sentetik veri kümeleri üzerinde sistematik olarak test edilmiş, ardından Pima Indians Diabetes gerçek veri kümesine uygulanmıştır. Deney sonuçları, özellikle Rastgele Ormanlar ve Gradient Boosting gibi ağaç tabanlı topluluk yöntemlerinde ve Yapay Sinir Ağları gibi doğrusal olmayan ilişkileri yakalayabilen derin öğrenme modellerinde performans artışı sağladığını ortaya koymuştur. Örneğin, gerçek veri kümesi olan Pima Indians Diabetes üzerinde, Rastgele Ormanlar ve Gradient Boosting modellerinde sırasıyla %6.25 ve %6.55 F1-skor iyileşmesi, Gradient Boosting modelinde ise ayrıca %3.77 oranında doğruluk artışı tespit edilmiştir. Aynı veri setinde Yapay Sinir Ağlarının hassasiyet değerinde ise %7.24 oranında iyileşme sağlanmıştır. Diğer yandan, KNN ve SVM gibi mesafe veya doğrusal tabanlı modeller, dönüşümle birlikte ortaya çıkan karmaşık yapıyı etkili şekilde yorumlayamadıkları için performansları sınırlı kalmış yada performans kaybına uğramıştır. Elde edilen sonuçlar, hiperyüzey tabanlı dönüşümlerin özellikle doğrusal olmayan ilişki yapılarını çözebilen algoritmalar için güçlü ve pratik bir özellik mühendisliği tekniği olarak kullanılabileceğini göstermektedir. Böylece, geleneksel optimizasyon fonksiyonlarının makine öğrenmesi alanındaki uygulama potansiyellerinin de dikkate değer olduğu sonucuna ulaşılmıştır.
Özet (Çeviri)
This thesis investigates the impact of hypersurface-based feature transformations on the classification performance of machine learning algorithms. Specifically, the Rastrigin function, traditionally employed in high-dimensional optimization problems, has been uniquely redesigned within this study to serve as a feature transformation method. The proposed approach maps original n-dimensional data into an (n+1)-dimensional space, introducing only a minimal increase in dimensional complexity. The effectiveness of the method was first systematically tested on synthetic datasets with dimensions ranging from 3 to 12, and then applied to the real-world Pima Indians Diabetes dataset. Experimental results revealed notable performance improvements, particularly in tree-based ensemble models, such as Random Forest and Gradient Boosting, as well as deep learning architectures like Neural Networks, all of which are capable of capturing nonlinear relationships effectively. For instance, on the Pima Indians Diabetes dataset, Random Forest and Gradient Boosting algorithms achieved improvements in F1-score of 6.25% and 6.55%, respectively, while Gradient Boosting also demonstrated an additional accuracy improvement of 3.77%. Moreover, Neural Networks exhibited an enhancement of 7.24% in precision on the same dataset. On the other hand, distance-based or linear models, such as KNN and SVM, showed limited or decreased performance, likely due to difficulties in interpreting the introduced complexity. These findings indicate that hypersurface-based transformations can serve as a powerful and practical feature engineering strategy, particularly beneficial for models adept at learning nonlinear relationships. Consequently, this study highlights the noteworthy potential of traditional optimization functions as valuable tools in the broader field of machine learning applications.
Benzer Tezler
- Mimarlığın sayısal evrimi
Digital evolution of architecture
METİN BÜYÜKKESTELLİ
Yüksek Lisans
Türkçe
2008
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. GÜLEN ÇAĞDAŞ
- Yapay sinir ağlarında öğrenme algoritmalarının analizi
Analysis of learning algorithms in neural networks
SEVİNÇ BAKLAVACI
Yüksek Lisans
Türkçe
1994
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDOÇ.DR. LEYLA GÖREN
- An exact approach to maximize area under receiver operator characteristic curve for multi-instance learning
Çoklu örnek öğrenimi için alıcı operatörü karakteristik eğrisi altında kalan alanı en iyileştiren kesin yöntem yaklaşımı
GİZEM ATASOY
Yüksek Lisans
İngilizce
2018
Endüstri ve Endüstri MühendisliğiÖzyeğin ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER ERHUN KUNDAKCIOĞLU
- Ricci solitons on lightlike hypersurfaces
Hiperyuzey üzerinde Ricci solitonlar
ARFAH ARFAH
Yüksek Lisans
İngilizce
2021
MatematikKaradeniz Teknik ÜniversitesiMatematik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL TUĞ
- Some numerical invariants of complex hypersurface singularities
Kompleks hiperyüzey tekilliklerinin bazı sayısal değişmezleri
ÖZNUR TURHAN
Yüksek Lisans
İngilizce
2023
MatematikGalatasaray ÜniversitesiMatematik ve Fen Bilimleri Ana Bilim Dalı
PROF. DR. MERAL TOSUN