KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2015 / Cilt: 30 - Sayı: 4

AĞIRLIKLANDIRILMIŞ KOŞULLU KARŞILIKLI BİLGİ İLE ÖZNİTELİK SEÇİMİ

Ceyhun ÇELİK
Hasan Şakir BİLGE
Sayfa
0–0
Yayın Tarihi
2015-12-25
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Test sonuçları önerilen yaklaşımın başarısını göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Büyük verilerin işlenmesi ve bu verilerden anlamlı bilgilerin çıkarılması önemli bir problem haline gelmiştir.
📊
Temel Bulgular & Veri:Önerilen yaklaşımda kullanılan sezgisel fonksiyon, minimum fazlalığın seçim üzerindeki etkinliğini, özniteliklerin sınıfla olan karşılıklı bilgisi ve birbirleri ile olan karşılıklı bilgilerinin arasındaki ilişkiyi değerlendirerek hesaplar.
💡
Sonuç & Katkı:Test sonuçları önerilen yaklaşımın başarısını göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Öznitelik Seçimi · Koşullu Karşılıklı Bilgi · Maksimum Bağımlılık

Özet

Büyük verilerin işlenmesi ve bu verilerden anlamlı bilgilerin çıkarılması önemli bir problem haline gelmiştir. Gerçek hayat problemlerinde eldeki verilerin probleme uygun olup olmadığı bilinemez ve ilgisiz veriler oluşturulacak modelin karmaşıklığını arttırır. Daha basit ve düşük maliyetli modeller oluşturmak için veriye boyut indirgeme yaklaşımları uygulanır. Bilgi teorisi tabanlı karşılıklı bilgi yaklaşımları boyut indirgemede yaygın olarak kullanılır. Bu yaklaşımlarda boyut indirgemesi yapılırken veri kümesinden elde edilecek alt kümede girişlerin birbirleri ile minimum fazlalık ve çıkışla maksimum bağımlılığa sahip olması amaçlanmaktadır. Ancak önerilen yaklaşımlarda kullanılan sezgisel fonksiyonlar minimum fazlalık ve maksimum bağımlılık arasındaki ilişkiyi ele alırken değişen problemler karşısında durağan bir yaklaşım sergiler.Bu çalışmada yeni bir karşılıklı bilgi yaklaşımı önerilmiştir. Önerilen yaklaşımda kullanılan sezgisel fonksiyon, minimum fazlalığın seçim üzerindeki etkinliğini, özniteliklerin sınıfla olan karşılıklı bilgisi ve birbirleri ile olan karşılıklı bilgilerinin arasındaki ilişkiyi değerlendirerek hesaplar. Benzer şekilde maksimum bağımlılık için hem koşullu karşılıklı bilgi hem de karşılıklı bilgi hesaplanır. Böylelikle önerilen sezgisel fonksiyon değişen problemler karşısında dinamik bir yaklaşım sergiler. Test sonuçları önerilen yaklaşımın başarısını göstermektedir.

🔖

Bu Makaleye Atıf Yap

ÇELİK, C., BİLGE, H. Ş. (2015). AĞIRLIKLANDIRILMIŞ KOŞULLU KARŞILIKLI BİLGİ İLE ÖZNİTELİK SEÇİMİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 30 - Sayı: 4, 0–0. https://ajindex.com/articles/20389

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Dash, M., Liu, H., “Feature Selection for Classification”, Intelligent Data Analysis, Cilt 1, 131-156, 1997.
  2. Chandrashekar, G., Sahin, F., “A Survey on Feature Selection Methods”, Computers & Electrical Engineering, Cilt 40, No 1, 16 - 28, 2014.
  3. Alpaydin, E., Introduction to Machine Learning, The MIT Press, 2010.
  4. Guyon, I., “An Introduction to Variable and Feature Selection”, Journal of Machine Learning Research, Cilt 3, 1157-1182, 2003.
  5. Liu, H., Yu, L., “Toward Integrating Feature Selection Algorithms for Classification and Clustering”, IEEE Transactions on Knowledge and Data Engineering, Cilt 17, 491-502, 2005.
  6. Theodoridis, S., Koutroumbas, K., Pattern Recognition, Elsevier, 2008.
  7. Vergara, J., Estevez, P., “A Review of Feature Selection Methods Based on Mutual Information”, Neural Computing and Applications, Cilt 24, No 1, 175-186, 2014.
  8. Cai, Y., Huang, T., Hu, L., Shi, X., Xie, L., Li, Y., “Prediction of Lysine Ubiquitination with mRMR Feature Selection and Analysis”, Amino Acids, Cilt 42, No 4, 1387-1395, 2012.
  9. Abdi, M. J., Hosseini, S. M., Rezghi, M. A., “Novel Weighted Support Vector Machine Based on Particle Swarm Optimization for Gene Selection and Tumor Classification”, Computional and Mathematical Methods in Medicine, Cilt 2012, 1-7, 2012.
  10. Hejazi, M. I., Cai, X., “Input Variable Selection for Water Resources Systems Using A Modified Minimum Redundancy Maximum Relevance (mRMR) Algorithm”, Advances in Water Resources, Cilt 32, No 4, 582 – 593, 2009.
  11. Wang, Y., Miao, Q., Ma, E., Tsui, K. L., Pecht, M., “Online Anomaly Detection for Hard Disk Drives Based on Mahalanobis Distance”, IEEE Transactions on Reliability, Cilt 62, No 1, 136-145, 2013.
  12. Bulling, A., Ward, J., Gellersen, H., Troster, G., “Eye Movement Analysis for Activity Recognition Using Electrooculography”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Cilt 33, No 4, 741-753, 2011.
  13. Battiti, R., “Using Mutual Information for Selecting Features in Supervised Neural Net Learning”, IEEE Transactions on Neural Networks, Cilt 5, No 4, 537-550, 1994.
  14. Peng, H., Long, F., Ding, C., “Feature Selection Based on Mutual Information Criteria of Max-Dependency, Max-Relevance, and Min-Redundancy”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Cilt 27, No 8, 1226-1238, 2005.
  15. Kwak, N., Choi, C. H., “Input Feature Selection for Classification Problems”, IEEE Transactions on Neural Networks, Cilt 13, No 1, 143-159, 2002.
  16. Chow, T. W. S., Huang, D., “Estimating Optimal Feature