KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2021 / Cilt: 36 - Sayı: 4

Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar

Halil Sağlamlar
Sayfa
1817–1830
Yayın Tarihi
2022-10-18
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)

Elde edilen sonuçlarda MCPCC yönteminin başarılı sonuçlar verdiği gözlemlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Çok yüzlü konik sınıflandırıcılar destek vektör makineleriyle karşılaştırıldığında başarısıyla ve basitliği korumasıyla ön plana çıkmaktadır.
📊
Temel Bulgular & Veri:Aynı sınıfa ait pozitif verilerin farklı bölgelerde öbeklendiği durumlarda ise tek bir sınıflandırıcı yeterli olmamakta, birden fazla sınıflandırıcıya ihtiyaç duyulmaktadır.
💡
Sonuç & Katkı:Elde edilen sonuçlarda MCPCC yönteminin başarılı sonuçlar verdiği gözlemlenmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Çok yüzlü konik sınıflandırıcılar · çok merkezli çok yüzlü konik sınıflandırıcılar · kernel SVM

Özet

Çok yüzlü konik sınıflandırıcılar destek vektör makineleriyle karşılaştırıldığında başarısıyla ve basitliği korumasıyla ön plana çıkmaktadır. Bu sınıflandırıcılarda bir tepe noktası olan koni fonksiyonu kullanılmaktadır. İyi seçilmiş bir tepe noktası bir bölgede toparlanan pozitif verilerin sıkıca çevrelenebilmesini sağlar. Aynı sınıfa ait pozitif verilerin farklı bölgelerde öbeklendiği durumlarda ise tek bir sınıflandırıcı yeterli olmamakta, birden fazla sınıflandırıcıya ihtiyaç duyulmaktadır. Bu çalışmada tek bir sınıflandırıcı kullanarak farklı bölgelerde öbeklenen pozitif verileri sınıflandırmak amacıyla çok merkezli çok yüzlü konik sınıflandırıcı (MCPCC) yöntemi geliştirilmiştir. Karşılaştırma yapabilmek için önerilen sınıflandırıcı ve benzer yöntemlerle deneyler gerçekleştirilmiştir. Elde edilen sonuçlarda MCPCC yönteminin başarılı sonuçlar verdiği gözlemlenmiştir.

🔖

Bu Makaleye Atıf Yap

Sağlamlar, H. (2022). Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 36 - Sayı: 4, 1817–1830. https://ajindex.com/articles/523481

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Cortes, C., Vapnik, V., Support vector networks, Machine learning, 20, p.273-297, 1995.
  2. Ertekin, S., Bottou, L., Giles, C. L., Nonconvex online support vector machines IEEE transactions on pattern analysis and machine intelligence, 2033, p.368-381, 2011.
  3. Cevikalp, H., Triggs, Large margin classifiers based on convex class models, IEEE 12th international conference on computer vision workshops, p.101-108, 2009.
  4. Cevikalp, H., Triggs, B., Hyperdisk based large margin classifier, Pattern recognition, 46, 6 p.1523-1531, 2013.
  5. Cevikalp, H., Triggs, Jurie, F., Polikar, R., Margin-based discriminant dimensionality reduction for visual recognition. IEEE conference on computer vision and pattern recognition, p.1-8, 2008.
  6. Tax D.M.J., Duin, R.P.W., Support vector data description, Machine Learning, 54, p.45-66, 2004.
  7. Cevikalp, H., Triggs, B., Visual object detection using cascades of binary and one-class classifiers. International journal of computer vision, 12, p.334-349, 2017.
  8. Mangasarian O.L., Wild, E.W., Multisurface proximal support vector machine classification via generalized eigenvalues, IEEE Transactions on pattern analysis and machine intelliegence, 28, p.69-74, 2006.
  9. Jayadeva, Khemchandani, R., Chandra, S., Twin support vector machines for pattern classification, IEEE transactions on pattern analysis and machine intelliegence, 29, p.905-910, 2007.
  10. Cevikalp H., Best fitting hyperplanes for classification, IEEE Transactions on Pattern Analysis and Machine Intelligence. 39, 6, p.1076-1088, 2016.
  11. Vedaldi, A., Zisserman, A., Efficient additive kernels via explicit feature maps, ıeee transactions on pattern analysis and machine intelligence, 34, p.480-492, 2012.
  12. Rahimi, A., Recht, B., Random features for large-scale kernel machines, advances in neural information processing systems, p. 1177-1184, 2007.
  13. Dundar, MM., Wolf, M., Lakare, S., Salganicoff, M., Raykar, VC, Polyhedral classifier for target detection: A case study: Colorectal cancer, International Conference on Machine Learning, p.288-295, 2008.
  14. Bagirov, A.M., Ugon, J., Webb, D., Ozturk, G., Kasimbeyli, R., A novel piecewise linear classifier based on polyhedral conic and max–min separabilities, TOP: An Official Journal of the Spanish Society of Statistics and Operations Research, 21,1, p.3-24, 2013.
  15. Gasimov, R., Ozturk, G., Separation via polyhedral conic functions, Optimization methods & software, 21, 4, p.527-540, 2006.
  16. Cevikalp, H., Triggs, B., Polyhedral conic classifiers for visual object detection a