Literatürden alınan 10 gerçek veri seti ve simülasyon çalışması sonuçlarından, önerilen yöntemin regresyon analizi, matematiksel programlama ve yapay sinir ağı temelli sınıflandırma yöntemlerine göre daha iyi performans gösterdiği gözlemlenmiştir.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Bu çalışmada, çok gruplu sınıflandırma problemlerinin çözümü için regresyon analizi ve matematiksel programlamaya dayalı iki aşamalı yeni bir hibrit sınıflandırma yöntemi geliştirilmiştir.
📊
Key Findings & Data:Önerilen yöntemin ilk aşamasında, her bir birimin sınıflandırma skoru her birim için oluşturulan doğrusal regresyon denklemi yardımıyla tahmin edilmektedir.
💡
Conclusion & Impact:Literatürden alınan 10 gerçek veri seti ve simülasyon çalışması sonuçlarından, önerilen yöntemin regresyon analizi, matematiksel programlama ve yapay sinir ağı temelli sınıflandırma yöntemlerine göre daha iyi performans gösterdiği gözlemlenmiştir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Sınıflandırma problem · matematiksel programlama · regresyon analizi
Özet
Bu çalışmada, çok gruplu sınıflandırma problemlerinin çözümü için regresyon analizi ve matematiksel programlamaya dayalı iki aşamalı yeni bir hibrit sınıflandırma yöntemi geliştirilmiştir. Önerilen yöntemin ilk aşamasında, her bir birimin sınıflandırma skoru her birim için oluşturulan doğrusal regresyon denklemi yardımıyla tahmin edilmektedir. İkinci aşamasında ise, birimlerin sınıflandırılması kümeleme analizi tabanlı matematiksel programlama modeli ile yapılmaktadır. Önerilen yöntem kendisini oluşturan regresyon analizi ve matematiksel programlama yöntemlerinin güçlü yanlarını kombine etmektedir. Literatürden alınan 10 gerçek veri seti ve simülasyon çalışması sonuçlarından, önerilen yöntemin regresyon analizi, matematiksel programlama ve yapay sinir ağı temelli sınıflandırma yöntemlerine göre daha iyi performans gösterdiği gözlemlenmiştir.
DOĞAN, M. İ., ORMAN, A., ÖRKCÜ, M., ÖRKCÜ, H. H. (2019). Çok gruplu sınıflandırma problemlerine regresyon analizi ve matematiksel programlama tabanlı yeni bir yaklaşım. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 34 - Sayı: 4, 1939–1956. https://ajindex.com/articles/19883
Silva, A.P.D., Optimization approaches to Supervised Classification, European Journal of Operational Research, 261, 772–788, 2017
Mahmoudi, N, Duman, E., Detecting credit card fraud by Modified Fisher Discriminant Analysis, Expert Systems with Applications, 42, 2510–2516, 2015
Yagi, T., Takahashi, M., Business cycle turning points based on DEA discriminant analysis, Applied Economics, 48 (44), 4251-4256, 2016
Takcı, H., Centroid Sınıflayıcılar Yardımıyla Meme Kanseri Teşhisi, Journal of the Faculty of Engineering and Architecture of Gazi University, 31(2), 323-330, 2016
Benmalek, E., Elmhamdi, J., Jilbab, A. Multiclass classification of Parkinson’s disease using different classifiers and LLBFS feature selection algorithm. International Journal of Speech Technology, 20 (1), 179–184, 2017
Yabanova, İ., Yumurtacı, M., Classification of dynamic egg weight using support vector machine, Journal of the Faculty of Engineering and Architecture of Gazi University, 33 (2), 393-402, 2018
Jing, Z., Wang, G., Zhang, S., Qiu, C., Building Tianjin driving cycle based on linear discriminant analysis, Transportation Research Part D, 53, 78–87, 2017
Wilson, S.R., Close, M.E., Abraham, B., Applying linear discriminant analysis to predict groundwater redox conditions conducive to denitrification, Journal of Hydrology, 556, 611–624, 2018
Chen, L., Wang, E.Y., Feng, J.J., Wang, X.R., Li, X.L., Hazard prediction of coal and gas outburst based on Fisher discriminant analysis, Geomechanics and Engıneering, 13 (5), 861-879, 2017
Fisher, R., The use of multiple measurements in taxonomic problems, Annals of Eugenics, 7 (2), 179-188, 1936
Lachenburch P.A., Discriminant analysis, Hafner Press, New York, USA, 40-90, 1975
Anderson, T.W., An introduction to multivariate analysis, Wiley, New York, USA, 10-25, 1984
Fred, N., Glover, F., A Linear programming approach to the discriminant problem, Decision Sciences, 12, 68-74, 1981
Fred, N., Glover, F., Simple but powerful goal programming formulations for the statistical discriminant problem, European Journal of Operational Research, 7, 44-60, 1981
Lam, K.F., Choo, E.U., Moy, J.W., Minimizing deviations from the group mean: A new linear programming approach for the two-group classification problem, European Journal of Operational Research, 88, 358-367, 1996
Sueyoshi, T., DEA-Discriminant analysis in the view of goal programming, European Journal of Operational Research, 115,