Geri Dön

Instance-based regression by partitioning feature projections

Öznitelik izdüşümlerinin parçalanması ile örneklere dayalı regresyon

  1. Tez No: 96212
  2. Yazar: İLHAN UYSAL
  3. Danışmanlar: DOÇ. DR. H. ALTAY GÜVENİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Makina öğrenmesi, örneklere dayalı öğrenme, regresyon. iv, Machine learning, instance-based learning, regression. m
  7. Yıl: 2000
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 92

Özet

ÖZET ÖZNİTELİK İZDÜŞÜMLERİNİN PARÇALANMASI İLE ÖRNEKLERE DAYALI REGRESYON ilhan Uysal Bilgisayar Mühendisliği, Yüksek Lisans Tez Yöneticisi: Doç. Dr. Halil Altay Güvenir Ocak, 2000 Yüksek öznitelik sayılarına sahip verilerin regresyon çözümleri için örneklere dayalı yeni bir öğrenme metodu sunulmuştur. Örneklere dayalı bir yaklaşım olarak geleneksel K- Yakın Komşu (KNN) yöntemi hem sınıflandırma hem de regresyon problemleri için uygulanmıştır. KNN sınıflandırma işlemleri için iyi bir performans sergilerken, regresyon için benzer bir performansa sahip değildir. Biz literatürdeki bu boşluğu doldurmak üzere, tembel öğrenme yaparak yüksek başarı sağlayan örneklere dayalı yeni bir regresyon yöntemi olan, Öznitelik izdüşümlerinin Parçalanması ile Regresyon (RPFP) isimli yöntemi geliştirdik. RPFP makina öğrenmasi ve istatistik literatüründe yer alan MARS, kurallara dayalı regresyon ve regresyon ağacı öğrenen sistemler gibi önemli çalışkan al goritmalarda dahi bulunmayan bazı özelliklere ve hatta daha iyi performansa sahiptir. RPFP'nin bu özelliklerinden en önemli olanı verilerde eksik değerler olduğu durumlarda pek çok uygulama için diğer tüm çalışkan veya tembel yöntemlerden daha çok başarı sağlamasıdır. Günümüzde, çok sayıda alanları bulunan veri tabanlarını dikkate aldığımız zaman, böyle ortamlara sıklıkla rast lanır. RPFP veri seti içindeki tüm öznitelik değerlerinin doldurulmuş olmasını gerektirmediği için eksik olan değerleri doğal bir şekilde çözümler.

Özet (Çeviri)

ABSTRACT INSTANCE-BASED REGRESSION BY PARTITIONING FEATURE PROJECTIONS İlhan Uysal M.S. in Computer Engineering Supervisor: Assoc. Prof. Halil Altay Güvenir January, 2000 A new instance-based learning method is presented for regression problems with high-dimensional data. As an instance-based approach, the conventional K-Nearest Neighbor (KNN) method has been applied to both classification and regression problems. Although KNN performs well for classification tasks, it does not perform similarly for regression problems. We have developed a new instance-based method, called Regression by Partitioning Feature Projections (RPFP), to fill the gap in the literature for a lazy method that achieves a higher accuracy for regression problems. We also present some additional properties and even better performance when compared to famous eager approaches of machine learning and statistics literature such as MARS, rule-based regression, and regression tree induction systems. The most important property of RPFP is that it performs much better than all other eager or lazy approaches on many domains that have missing values. If we consider databases today, where there are.generally large number of attributes, such sparse domains are very frequent. RPFP handles such missing values in a very natural way, since it does not require all the attribute values to be present in the data set.

Benzer Tezler

  1. Mekansal-zamansal hasta hareketlilik verileriyle mekansal etkileşim örüntülerinin analizi ve akış haritaları aracı tasarımı ve geliştirilmesi

    Analysis of spatial interaction patterns using spatio temporal patient mobility data, and designing and developing a flow mapping tool

    SELMAN DELİL

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. RAHMİ NURHAN ÇELİK

  2. Using co-training to empower active learning

    Aktif öğrenmeyi güçlendirmek için eş-öğrenme kullanılması

    PAYAM VAKILZADEH AZAD

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. YUSUF YASLAN

  3. Yapay zekâ yöntemleriyle termoelektrik modülün kontrolü

    Control of thermoelectric module with artificial intelligence methods

    TUFAN KOÇ

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiMilli Savunma Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NEVRA BAYHAN

    PROF. DR. SEDAT BALLIKAYA

  4. Dissimilarity based multiple instance learning using dictionary ensembles

    Sözlük toplulukları kullanılarak farklılık tabanlı çoklu örnek öğrenme

    NAZANIN MOARREF

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. YUSUF YASLAN

  5. A mixed-integer programming approach to example-dependent cost-sensitive learning

    Örneklere-bağlı maliyet-duyarlı öğrenmeye karışık tamsayı doğrusal programlama yaklaşımı

    TARKAN TEMİZÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Endüstri ve Endüstri MühendisliğiBoğaziçi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN