Topluluk öğrenmesi tabanlı yöntemler üzerine
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Veri sınıflandırma, makine öğrenimi alanında çalışılan önemli problemlerdendir. Bu problem tıp, finans, mühendislik ve pazarlama gibi çok çeşitli alanlarda hastalık teşhisi, kredi risk analizi, müşteri segmentasyonu gibi önemli uygulamalara sahiptir. Bu nedenle problemin etkin çözümü için sürekli bir arayış söz konusudur. Problemin çözümü için Karar Ağaçları ve Destek Vektör Makinaları gibi geleneksel sınıflandırma yöntemleri üzerinde pek çok çalışma mevcut iken, daha etkin çözümler elde edebilmek adına, yeni arayışlar sonucu topluluk öğrenme teknikleri geliştirilmiştir. Bu tezde, topluluk öğrenmesi tabanlı yöntemler ayrıntılı olarak incelenmiştir. AdaBoost topluluk öğrenme yöntemi ele alınıp, farklı ölçeklerdeki veri setlerindeki performansları analiz edilmiştir. Bir veri setinin büyüklüğü, dengesi ve kalitesi gibi faktörlerin modelin başarı oranı üzerindeki etkisi incelenip, kullanılan modelin genelleştirme kabiliyeti ve güvenilirliği üzerine de bulgular araştırılmıştır. Hesaplama denemeleri, Python programlama dili kullanılarak UCI Machine Learning Repository ve Kaggle'dan alınan altı veri seti üzerinde gerçekleştirilmiştir.
Açıklama
Anahtar Kelimeler
Classification, Ensemble Learning, Machine Learning, Performance Analysis, Data Mining, AdaBoost, Bagging, Stacking, Voting., Sınıflandırma, Topluluk Öğrenme, Makine Öğrenmesi, Performans Analizi, Veri Madenciliği
