Geri Dön

Clustering based on hyperplanes

Hiperdüzlem tabanlı topaklama

PDF İndir

  1. Tez No: 763023
  2. Yazar: EDWARD CHOME
  3. Danışmanlar: PROF. DR. HAKAN ÇEVİKALP
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Alt uzaylar, K-ortalamalar yöntemi, Kümeleme, Topaklama, Subspaces, K-means method, Clustering, Gathering
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Eskişehir Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Makine öğrenimi alanında topaklama çok önemli problemlerden biridir. Bu bağlamda çok çeşitli yaklaşımlar kullanılarak birçok topaklama algoritması önerilmiştir. Bu çalışmada, yüksek boyutlu veri topaklamaye odaklanılmış ve maksimum marj topaklama yaklaşımı kullanılmıştır. Bu amaçla iki yöntem önerilmiştir: İlk önerilen yöntemde, klasik maksimum marj topaklama yaklaşımı kullanılmıştır ve verileri aralarında en büyük marj ile iki kümeye bölen bir yöntem önerilmiştir. İkinci yöntemde ise topaklama da küme kompaktlığı dikkate alınmış ve küme örneklerine en iyi uyan ancak aynı zamanda birbirinden mümkün olduğunca uzak iki paralel hiperdüzlem bulunmuştur. Ek olarak, bu topaklama yöntemlerinin aykırı değerlere ve veri örnekleri içindeki gürültüye karşı daha dayanıklı olan varyantları tanıtılmıştır. Ortaya çıkan optimizasyon problemlerini çözmek için stokastik gradyan (SG) algoritmasını kullanılmıştır. Bu nedenle önerilen tüm topaklama yöntemleri büyük ölçekli verilerle hızlı çalışacak niteliktedir. Deneysel sonuçlar, önerilen yöntemlerin, özellikle yüksek boyutlu topaklama problemlerinde, literatürde bulunan diğer maksimum marjlı topaklama yöntemlerine kıyasla daha iyi performans gösterdiğini göstermektedir.

Özet (Çeviri)

In machine learning, clustering is of pivotal importance and there is a growing research interest directed towards it. Many clustering algorithms have been proposed using a wide range of approaches. In this study, we focus on high-dimensional data clustering and adopt the maximum margin clustering approach. To this end, we introduced two methods: The first proposed method uses the classical maximum margin clustering approach, and it splits the data into two clusters with the largest margin between them. The second proposed method takes the cluster compactness into consideration, and it searches for two parallel hyperplanes that best fit the cluster samples but at the same time as far as possible from each other. In addition, we introduced the variants of these clustering methods that are more robust to the outliers and noise within the data samples. We use the stochastic gradient (SG) algorithm to solve the resulting optimization problems, therefore all proposed clustering methods scale well with large-scale data. The experimental results show that the proposed methods significantly outperform the existing maximum margin clustering methods, especially on high-dimensional clustering problems, which shows the efficacy of the proposed methods.

Benzer Tezler

  1. Tez No

    940645

    Clustering optimization based on fuzzy logic for wireless sensor networks

    Kablosuz sensör ağları için bulanık mantık tabanlı kümeleme optimizasyonu

    AHMED MOHAMMED HUSSEIN FARTTOOSI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEFER KURNAZ

  2. Tez No

    184691

    Clustering protein-protein interactions based on conserved domain similaities

    Protein-protein etkileşimlerinin korunmuş bölge benzerliğine göre öbeklenmesi

    ASLI AYAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2004

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Y.DOÇ.DR. UĞUR DOĞRUSÖZ

  3. Tez No

    474844

    Clustering of manifold-modeled data based on tangent space variations

    Manifold modelli datanın tanjant uzayı değişikliklerine dayalı kümelenmesi

    GÖKHAN GÖKDOĞAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ELİF VURAL

  4. Tez No

    810964

    Clustering and profiling scholars based on publication performance in bibliographic databases: A case of Turkey

    Bibliyografik veritabanlarını kullanarak yayın performansına göre bilim insanlarının kümelenmesi ve profil oluşturma: Türkiye örneği

    ALİ PİŞİRGEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Yönetim Bilişim Sistemleriİzmir Bakırçay Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SERHAT PEKER

  5. Tez No

    289805

    Comparing clustering methods based on lifestyle trends

    Kümeleme analizi yaklaşımlarının yaşam biçimi trendleri bazında karşılaştırılması

    DATEV YAZDANOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2010

    İşletmeBahçeşehir Üniversitesi

    Pazarlama Ana Bilim Dalı

    DOÇ. DR. HÜSEYİN İNCE

Geri Dön