Makine öğrenmesi yöntemleriyle çoklu etiketli verilerin sınıflandırılması

Abstract

Günümüzde internetin gelişmesiyle beraber teknolojik altyapının sağlanmasıve erişimin kısalması pek çok sektörde yeni alanların doğmasına olanak sağlamıştır.Artan ve bilgi içeren bu alanların birer kaynak haline gelmesi yenilik ve çeşitlilikaçısından büyük fırsatlar doğurmaktadır. Veri olarak adlandırılan bu kaynakların hızlaartması makine öğrenmesi alanındaki çalışmalara çeşitlilik ve önem kazandırmaktadır.Yaygın olarak kullanılan verinin tasnif edilmesi, işe yarar bir durumagetirilmesi ve yeni bilgiler üretebilmesi adına bir sınıflandırmaya tabi tutulmasıgerekmektedir.Çoklu etiket sınıflandırması, sınıfların birbirini dışlamadığı geleneksel teketiketli sınıflandırmanın bir uzantısıdır ve her örnek aynı anda birkaç sınıfa atanabilir.Haberlerin sınıflandırılması ve görüntülerin sınıflandırılması gibi çeşitli modernuygulamalarda görülür.Bu tezde ilk olarak teknolojinin gelişmesiyle artan verinin tasnifinde kullanılançok etiketli sınıflandırma tanıtılmış, daha sonra makine öğrenmesi algoritmalarıkullanılarak çok etiketli sınıflandırma bir film veri seti üzerinde modellenerekoptimum başarının sağlanmasına yönelik testler yapılmıştır

Nowadays, with the development of the internet, the provision of technologicalinfrastructure and the shortening of access have enabled the creation of new areas inmany sectors. The fact that these increasing and knowledgeable areas become a sourcecreates great opportunities for innovation and diversity. The rapid increase of these socalled data sources gives diversity and importance to the studies in the field of machinelearning.Commonly used data needs to be classified, put into a useful state, andsubjected to a classification in order to produce new information.The multi-label classification is an extension of the traditional single-labelclassification in which classes are not mutually exclusive, and each instance can beassigned to several classes at the same time. It is seen in various modern applicationssuch as the classification of news and the classification of images.In this thesis, firstly, the multi-label classification used in the classification ofthe increasing data with the development of technology is introduced, and then thetests are performed to achieve optimum success by modeling the multi-labelclassification on a film dataset using machine learning algorithms.