Sınıflandırma Problemlerinin Çözümü için Destekleyici Ö?grenmeli Vektör Nicemleme Metodunun Geometrik Modifikasyonu

A Geometrical Modification of Learning Vector Quantization Method for Solving Classification Problems

Abstract

In this paper, a geometrical scheme is presented to show how to overcomean encountered problem arising from the use of generalized delta learning rule withincompetitive learning model. It is introduced a theoretical methodology for describing thequantization of data via rotating prototype vectors on hyper-spheres.The proposed learning algorithm is tested and verified on different multidimensionaldatasets including a binary class dataset and two multiclass datasets from the UCI repository, and a multiclass dataset constructed by us. The proposed method is compared withsome baseline learning vector quantization variants in literature for all domains. Largenumber of experiments verify the performance of our proposed algorithm with acceptableaccuracy and macro f1scores

Özet

ö?grenme kuralı ile ortaya çıkan problemin üstesinden gelmek için geometrik bir yakla¸sım önerilmi¸stir. Veri nicemlemesinin izah edilebilmesi için prototip vektörlerininhiper-küreler üzerinde döndürülmesi esasına dayalı teorik bir metodoloji geli¸stirilmi¸stir.Önerilen ö?grenme algoritması UCI veri havuzundan alınmı¸s bir tanesi ikili sınıflandırmaveri seti ve iki tanesi çok sınıflı olan veri setleri ile bir tanesi tarafımızdan hazırlanançoklu sınıf veriseti üzerinde test edilmi¸s ve geçerlili?gi denetlenmi¸stir. Önerilen metot,literatürde referans alınan bazı destekleyici ö?grenmeli vektör nicemleme a?g varyasyonlarıile farklı alanlarda kar¸sıla¸stırılmı¸stır. Çok sayıdaki deneysel çalı¸smalar, makul do?grulukde?gerleri ve makro f1skorları ile önerilen algoritmanın performansını do?grulamaktadır