Destek vektör makineleri ile sınıflandırma ve görüntü tanıma üzerine bir uygulama

Abstract

Destek vektör makineleri (DVM) istatistiksel öğrenme temeline dayanarak geliştirilen güçlü bir makine öğrenmesi tekniğidir. DVM hem teori hem de uygulamalı bilimlerde oldukça faydalı bulunmaktadır. Model karmaşıklığı sorununu çözebilmesi, iyi genelleme kabiliyeti ve çoklu uyum sorununu çözümleyebilmesi nedeniyle son yıllarda sık olarak kullanılan bir yöntem haline gelmiştir. DVM'nin metin sınıflandırma, biyoinformatik, veri tabanı pazarlama, kimlik, yüz, el yazısı, rakam, görüntü tanıma gibi geniş bir yelpazede kullanım alanı mevcuttur. Elde edilen model verinin bir alt kümesi ile yani destek vektör makineleriyle, açık olarak birbirine bağlı olmasının modelin yorumlanmasına getirdiği kolaylık; yanı sıra çekirdek fonksiyonları kullanımı ile olası çoklu uyum sorunlarının üstesinden gelerek doğrusal olmayan modellemeler yapabilmesi DVM'nin önemli avantajları olarak değerlendirilmektedir. Tezin uygulaması, destek vektör makinelerinin kullanım alanlarından biri olan görüntü tanıma alanında gerçekleştirilmiştir. 262 fotoğraftan oluşan veri kümesinde kedi yüzlerinin ve diğer farklı imgelerinin olduğu görüntüler destek vektör makineleri yardımıyla, görüntülerden herhangi bir özellik çıkarımı yapılmadan %81,3 gibi başarılı bir oranla doğru sınıflandırılmıştır.

Support vector machine (SVM) is a powerful machine learning technique which is developed on the basis of statistical learning. SVM is quite helpful in both theory and applied sciences. Since having the ability of solving the problems of model comlexity and overfitting, as well as its efficiency in generelization, SVM has become a common used method in recent years, which has been used for a wide variety of applications such as text categorisation, bioinformatics, database marketing and besides the recognition of idendity, face, handwiriting, digit and image. It has been considered as an advantege of the method, that the constructed model has an explicit dependence on a subset of the datapoints, i.e the support vectors, which assists model interpretation. Another advantage of this approach is overcoming the possible problem of overfitting with the usage of the kernel functions. For the practice of the thesis project support vector machines are used to solve the problem of image recognition, which is an application field for SVM. In the dataset, that consists of 262 photographs, cat faces and other images are succecfully classified by SVM with a 81,3 % accuracy rate without any feature selections from images.