Geri Dön

Comparison of dimensionality reduction techniques applied to driving event dataset

Sürüş olayları veri setinde boyut indirgeme tekniklerinin karşılaştırılması

PDF İndir

  1. Tez No: 447110
  2. Yazar: CAN ÇETİN
  3. Danışmanlar: PROF. DR. TANKUT ACARMAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2016
  8. Dil: İngilizce
  9. Üniversite: Galatasaray Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Veri madenciliği veya makina öğrenmesi gibi veri inceleme yöntemleriyle kesin çözüm getirilemeyen belirsiz alanlarda çalışmalar yapılırken, veri özelliklerinin sınıflandırma üzerindeki etkileri genellikle bilinmez. Özellikler arasındaki bağımlılık, özelliğin sıfır veya düşük varyansa sahip olması, özelliğin üzerindeki aykırı uç veya kayıp veriler yüzünden sınıflandırma başarıları düşebilir. Sınıflandırma başarısını arttırmak ve sağlıklı sınıflandırma için, özellik boyut indirgemesi için, öznitelik arama veya özellik alt küme seçimi yöntemleri kullanılmaktadır. Özellik alt küme seçimi ve boyut indirgemesi, özellik uzayındaki özellik kümesini indirgemek için kullanılan iki farklı yöntemdir. Özellik alt küme seçiminde, daha etkin öznitelikler bulunurken, boyut indirgemesinde orjinal özellik kümesinden lineer veya lineer olmayan kombinasyonlar yardımıyla yeni öznitelikler üretilir. İki yöntemde sınıflandırma, gruplama ve regresyon problemlerini incelemede kullanılmaktadır. Boyut türetme yöntemi, hali hazırdaki özelliklerden yeni öznitelikler oluşturarak problemin tanımlanabilirliğinden fedakarlık gösterir. Özellik alt küme seçimi yöntemi ise, en iyi özellik kümesi seçmek için, daha az önemli özellikleri eleme yöntemini seçer. Bu yöntemler istenen sınıflandırma başarısı için yeterli değilse, sınıflandırma başarısını arttırmak için veya veri uzayında sınıflandırma için önemli parametreleri bulup onları daha fazla anlamlandırmak için kullanılmalıdır.

Özet (Çeviri)

When investigating on problematical and indefinite areas with data exploring tools such as machine learning or DM algorithms, weight of data attributes effecting classification result is generally unknown issue. Using entire feature set might cause the low classification success. Dependency existance among features, (near) zero variance features, outlier and missing data on feature may harm classification accuracy. To increase classification success and learn feature effect on classification, dimension reduction techniques such as feature subset selection and feature extraction are used. Feature subset selection and feature extraction are the two different applied methods for reducing the dimension set. While feature subset selection methods is focusing to find the most important features that affect the classification result, feature extraction methods are dealing with the creating of new attributes as a linear or non linear combination of initial feature set. Both methods are used on the investigation of classification, clustering and regression problems. Feature extraction methods sacrifice the explanation of the problems, when they combine the existent features to create new ones. On the other hand, features subset selection methods help to pick the most important features by ordering attributes according to their ranking methods. If classification researches are not satisfying or contribution of the attributes that affecting the classification is not known deeply, both methods can be used to understanding the importance of the attributes, and increase classification accuracy.

Benzer Tezler

  1. Tez No

    284705

    A contribution to modern data reduction techniques and their applications by applied mathematics and statistical learning

    Modern veri azaltma teknıklerı ve uygulamalarına uygulamalı matematık ve ıstatıstık öğrenme ile bır katkı

    HATİCE SAKARYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2011

    İstatistikOrta Doğu Teknik Üniversitesi

    Uygulamalı Matematik Ana Bilim Dalı

    PROF. DR. GERHARD WİLHELM WEBER

    YRD. DOÇ. DR. HAKAN ÖKTEM

  2. Tez No

    604319

    Comparison of machine learning algorithms for financial evaluations

    Finansal değerlendirmeler için makine öğrenmesi algoritmalarının karşılaştırılması

    WUDAY COLLEY

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    ASSOC. DR. MEHMET GÖKTÜRK

  3. Tez No

    549605

    Development of machine learning algorithm for identification of vestibular system disorders

    Vestibüler sistem bozukluklarının teşhisi için makine öğrenimi algoritması geliştirilmesi

    SADDAM HEYDAROV

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERHAT İKİZOĞLU

  4. Tez No

    467185

    Özellik seçimi algoritmaları kullanılarak heyelanda etkili faktörlerin belirlenmesi ve heyelan duyarlılık haritalarının üretilmesi

    Determination of effective factors using feature selection algorithms and production of landslide susceptibility maps

    EMREHAN KUTLUĞ ŞAHİN

    Doktora

    Türkçe

    Türkçe

    2017

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. CENGİZHAN İPBÜKER

    PROF. DR. TAŞKIN KAVZOĞLU

  5. Tez No

    333014

    Kütle spektrometresi verilerinin analiziyle prostat ve yumurtalık kanserlerinin belirlenmesi

    Prostate and ovarian cancer identification by analyzing mass spectrometry data

    VEDAT TAŞKIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Biyoistatistikİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TAMER ÖLMEZ

Geri Dön