Aykırı değer belirleme için melez bir zeki sistem tasarımı ve gerçekleştirimi
Küçük Resim Yok
Dosyalar
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Melez bir zeki sistem, belli bir amaç için çeşitli yapay zeka yaklaşım ve yöntemlerinin birleştirilmesi ile oluşturulur. Melez Sistemler ve Topluluk Öğrenmesi yöntemleri aykırı değerlerin belirlenmesi kapsamında, son yıllarda finans, tıp, endüstri ve güvenlik gibi birçok uygulama alanında kullanılmaktadır. Tez çalışmasında aykırı değer tespitinde ikili sınıflandırıcı işlevi gören, performans açısından farklı yöntemlerin melezleştirildiği verimli bir Topluluk Öğrenmesi modeli geliştirilmiştir. Önce temel ve topluluk öğrenmesi sınıflandırıcıların başarı değerleri elde edilmiş; ardından melez yöntemler içerisinde farklı sınıflandırıcılar kullanılarak başarımları artırılmaya çalışılmıştır. Aykırı değer tespitinde meta öğrenici olarak lojistik regresyonun yer aldığı yığınlama yönteminde kullanılacak en uygun temel sınıflandırıcıların belirlenmesi için deneysel çalışmalar yapılmıştır. Dört topluluk öğrenmesi yönteminin (Torbalama, Artırma, Rastgele Orman ve Döndürme Ormanı) sonuçlarının birleştirilmesinin ilgili veri setlerinde en iyi performansı elde ettiği gözlemlenmiştir. Çalışma, belirtilen yaklaşım kullanılarak ilgili veri setleri için elde edilen bu melez sistem sınıflandırıcı kombinasyonu yönü ile literatürde yenilik içermektedir. Deneysel çalışmalar, ODDS kütüphanesindeki 8 adet veriseti üzerinde gerçekleştirilerek önerilen yöntemin performansı gözlenmiştir. Doğruluk, AUC, F-Değeri, precision ve recall gibi ölçütlere bakıldığında, birçok makine ve topluluk öğrenmesi yaklaşımından daha başarılı sonuçlar elde edildiği gözlemlenmiştir.
A hybrid intelligent system is created by combining various artificial intelligence approaches and methods for a specific purpose. Hybrid Systems and Ensemble Learning methods have been used in many application areas such as finance, medicine, industry and security in recent years within the scope of determining outliers. In this thesis study, an efficient Ensemble Learning model, which functions as a binary classifier in detecting outliers, has been developed in which different machine learning methods are hybridized. First, performance values of basic and ensemble learning classifiers were obtained; Then, it has been tried to increase the performance by using different classifiers in hybrid methods. Experimental studies have been conducted to determine the most suitable basic classifiers to be used in the stacking method, which includes logistic regression as a meta learner for outlier detection. It has been observed that combining the results of four ensemble learning methods (Bagging, Boosting, Random Forest and Rotation Forest) achieves the best performance in the related data sets. The study includes novelty in the literature with this hybrid system classifier combination aspect, which is obtained for the related data sets using the specified approach. Experimental studies were performed on eight datasets in the ODDS library and the performance of the proposed method was observed. When looking at criteria such as Accuracy, AUC, F-measure, precision and recall, more successful results were obtained than many ensemble learning approaches.
A hybrid intelligent system is created by combining various artificial intelligence approaches and methods for a specific purpose. Hybrid Systems and Ensemble Learning methods have been used in many application areas such as finance, medicine, industry and security in recent years within the scope of determining outliers. In this thesis study, an efficient Ensemble Learning model, which functions as a binary classifier in detecting outliers, has been developed in which different machine learning methods are hybridized. First, performance values of basic and ensemble learning classifiers were obtained; Then, it has been tried to increase the performance by using different classifiers in hybrid methods. Experimental studies have been conducted to determine the most suitable basic classifiers to be used in the stacking method, which includes logistic regression as a meta learner for outlier detection. It has been observed that combining the results of four ensemble learning methods (Bagging, Boosting, Random Forest and Rotation Forest) achieves the best performance in the related data sets. The study includes novelty in the literature with this hybrid system classifier combination aspect, which is obtained for the related data sets using the specified approach. Experimental studies were performed on eight datasets in the ODDS library and the performance of the proposed method was observed. When looking at criteria such as Accuracy, AUC, F-measure, precision and recall, more successful results were obtained than many ensemble learning approaches.
Açıklama
Anahtar Kelimeler
Aykırı Değer Tespiti, Topluluk Öğrenimi, Makine Öğrenmesi, Sınıflandırma, Veri Madenciliği, Outlier Detection, Ensemble Learning, Machine Learning, Classification, Data Mining
