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 Maddede Bu Makale
🎯
Amaç & Hipotez:Bu çalışmada, çok gruplu sınıflandırma problemlerinin çözümü için regresyon analizi ve matematiksel programlamaya dayalı iki aşamalı yeni bir hibrit sınıflandırma yöntemi geliştirilmiştir.
📊
Temel Bulgular & Veri:Önerilen yöntemin ilk aşamasında, her bir birimin sınıflandırma skoru her birim için oluşturulan doğrusal regresyon denklemi yardımıyla tahmin edilmektedir.
💡
Sonuç & Katkı: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.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler: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://doi.org/10.17341/gazimmfd.571643
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, 564-582, 1999.
Sueyoshi, T., Mixed integer programming approach of extended DEA-Discriminant analysis, European Journal of Operational Research, 152, 45-55, 2004.
Sueyoshi, T., DEA-Discriminant analysis: Methodological comparison among eight discriminant analysis approaches, European Journal of Operational Research, 169, 247-272, 2006.
Bal, H., Örkcü, H.H., Çelebioğlu S., “An alternative model to Fisher and linear programming approaches in two-group classification problem: minimizing deviations from the group median”, G.U. Journal of Science, 19 (1), 49-55, 2006.
Ramanan, A., Suppharangsan, S.,Niranjan, M. Unbalanced decision trees for multi-class classification. In Industrial and information systems, 2007, 291-294, ICIIS 2007.