Yeni bir bulanık özellik seçim yöntemi: tip 1 bulanık fonksiyonlar uygulaması
A new fuzzy feature selection method: İmplementation of type 1 fuzzy functions
- Tez No: 995135
- Danışmanlar: DOÇ. DR. NİHAT TAK
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, İstatistik, Science and Technology, Statistics
- Anahtar Kelimeler: Sezgisel belirtisiz kümeler, Sezgisel bulanık mantık, Veri yorumlama-istatistiksel, Intuitionistic fuzzy sets, Intuitive fuzzy logic, Data interpretation-statistical
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, yüksek boyutlu ve karmaşık veri setlerinin analizinde karşılaşılan aşırı öğrenme, yüksek işlem hacmi ve düşük işlem hızı gibi teknik engelleri aşmak amacıyla Tip-1 Bulanık Fonksiyonlar (T1BF) yaklaşımına dayalı özgün bir özellik seçimi metodolojisi sunmaktadır. Önerilen yöntemin merkezinde, değişkenlerin yapısal benzerliklerine göre gruplandırılması ve veri setinin anlamlı bir şekilde indirgenmesi prensibi yer almaktadır. Süreç, veri matrisinin transpoze edilerek bağımsız değişkenlerin birer gözlem birimi gibi ele alınmasıyla başlamakta; böylece özellikler, sahip oldukları veri yapısına göre K-Ortalamalar veya belirsizliklerle başa çıkabilen Bulanık C-Ortalamalar algoritmalarıyla kümelenmektedir. Kümeleme sonuçlarının kararlılığını ve tekrarlanabilirliğini artırmak amacıyla, klasik rastgele başlangıç yöntemleri yerine verinin yapısal özelliklerini dikkate alan Ball-Hall, Al-Daoud ve Inscsf gibi küme merkezi belirleme teknikleri kullanılmaktadır. İdeal özellik sayısını belirlemek için ise küme içi tutarlılığı ve kümeler arası ayrışmayı ölçen Davies-Bouldin ve Siluet metriklerinden yararlanılarak optimum küme sayısı otomatik olarak tespit edilmektedir. Özellik seçimi aşamasında, her bir küme içerisinden merkez noktasına en yakın olan değişken“temsilci özellik”olarak atanmakta ve bu yolla veri setinin boyutu önemli ölçüde küçültülmektedir. İndirgenmiş bu veri seti, uzman görüşüne veya karmaşık kural tabanlarına ihtiyaç duymayan, doğrudan veriden öğrenen T1BF modeline girdi olarak aktarılmaktadır. Model, her bir küme için elde edilen yerel regresyon tahminlerini üyelik dereceleriyle ağırlıklandırarak nihai tahmin değerini hesaplamaktadır. Çeşitli gerçek dünya veri setleri üzerinde yürütülen deneysel çalışmalar; önerilen bu hibrit yaklaşımın model karmaşıklığını azalttığını, işlem sürelerini kısalttığını ve tahmin performansını istikrarlı bir şekilde iyileştirdiğini kanıtlamıştır.
Özet (Çeviri)
This thesis proposes a novel feature selection methodology based on the Type-1 Fuzzy Functions (T1FF/ T1BF) approach to overcome technical obstacles such as overfitting, high computational costs, and sluggishness encountered in the analysis of high-dimensional and complex datasets. The core of the proposed method relies on the principle of grouping variables based on their structural similarities to achieve a meaningful reduction of the dataset.The process begins by transposing the data matrix and treating independent variables as observation units, allowing features to be clustered according to their data patterns using K-Means (K-ort) or uncertainty-handling Fuzzy C-means(BCO/BCO) algorithms. To enhance the stability and reproducibility of the clustering outcomes, smart cluster centre initialisation techniques such as Ball-Hall, Al-Daoud, and Inscsf which consider the structural characteristics of the data are employed instead of classic random initialisation. To identify the ideal number of features, the optimum number of clusters is automatically determined using Davies-Bouldin and Siluet metrics, which assess intra-cluster consistency and inter-cluster separation. In the feature selection phase, the variable within each cluster that has the minimum distance to the cluster centre is assigned as the“representative feature,”thereby significantly reducing the data dimension. This reduced dataset is then fed into the T1FF (T1BF) model, a rule free fuzzy inference system that learns directly from the data without requiring expert knowledge or complex rule bases. The model reaches the final prediction value by weighting local regression estimates obtained for each cluster with their respective membership degrees. Experimental studies conducted on various real-world datasets have confirmed that this hybrid approach successfully reduces model complexity, shortens processing times, and consistently improves predictive performance
Benzer Tezler
- Hiperspektral görüntülerde spektral ve uzamsal enformasyonun ortaklaşa kullanımı ile sınıflandırılması ve bölütlenmesi
Classification and segmentation of hyperspectral images with joint usage of spectral and spatial information
UĞUR ERGÜL
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN BİLGİN
- Internal audit decision support framework using spherical fuzzy ELECTRE
Küresel bulanık ELECTRE tabanlı iç denetim karar destek çerçevesi
AKIN MENEKŞE
Doktora
İngilizce
2022
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. HATİCE CAMGÖZ AKDAĞ
- Müşterilerin E-ticaret platformu seçimlerini etkileyen faktörlerin bulanık bilişsel haritalama yöntemi ile önceliklendirilmesi
Prioritization of factors affecting customers' E-commerce platform selection with fuzzy cognitive mapping method
ÇAĞLAR AKIN
Yüksek Lisans
Türkçe
2024
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Extensions of Z-fuzzy numbers and novel multi criteria decision making models
Z-bulanık sayıların uzantıları ve yeni çok kriterli karar verme modelleri
NURDAN TÜYSÜZ
Doktora
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. CENGİZ KAHRAMAN
- Investigating risk assessment and role of safety concerns in autonomous vehicle
Otonom araçlarda risk değerlendirmesi ve güvenlik kaygılarının modellenmesi
GÖZDE BAKİOĞLU DOĞANYILMAZ
Doktora
İngilizce
2022
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OSMAN ATAHAN