Instance-based regression by partitioning feature projections
Öznitelik izdüşümlerinin parçalanması ile örneklere dayalı regresyon
- Tez No: 96212
- Danışmanlar: DOÇ. DR. H. ALTAY GÜVENİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Makina öğrenmesi, örneklere dayalı öğrenme, regresyon. iv, Machine learning, instance-based learning, regression. m
- Yıl: 2000
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. RAHMİ NURHAN ÇELİK
- Using co-training to empower active learning
Aktif öğrenmeyi güçlendirmek için eş-öğrenme kullanılması
PAYAM VAKILZADEH AZAD
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YUSUF YASLAN
- Yapay zekâ yöntemleriyle termoelektrik modülün kontrolü
Control of thermoelectric module with artificial intelligence methods
TUFAN KOÇ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiMilli Savunma ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEVRA BAYHAN
PROF. DR. SEDAT BALLIKAYA
- Dissimilarity based multiple instance learning using dictionary ensembles
Sözlük toplulukları kullanılarak farklılık tabanlı çoklu örnek öğrenme
NAZANIN MOARREF
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YUSUF YASLAN
- 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
2021
Endüstri ve Endüstri MühendisliğiBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN