Veri sınıflandırması için matematiksel optimizasyon tabanlı metotlar

Abstract

Veri madenciliği yöntemlerinden biri olan sınıflandırma, herhangi bir veri kümesinden seçilen eğitim kümesini kullanarak belirli bir tanıma sisteminin yani sınıflandırıcının oluşturulmasıdır. Sınıflandırma mühendislikte, tıpta, ekonomide vb. birçok alanda önemli uygulamalara sahiptir ve bu sebeple birçok farklı disiplinden araştırmacı bu alanda çalışmakta ve daha etkin sınıflandırma modelleri bulmak için araştırmalar yapmaktadır.Bu doktora tezinde, sınıflandırma problemi ve türleri ifade edilip, sınıflandırmada önemli bir yaklaşım olan çokyüzlü konik fonksiyonlar incelenmiştir. Daha anlaşılır olması açısından çalışma, örnekler ve grafiklerle desteklenmiştir. İkili ve çoklu sınıflandırmada, sonlu n-boyutlu kümelerin çokyüzlü konik fonksiyonlarla etkin bir şekilde ayrımı için, bir diğer veri madenciliği yöntemi olan kümelemeden yararlanılmıştır ve çokyüzlü konik fonksiyonlar temeline dayanan iteratif doğrusal problemlerin çözümüyle kümeleme yöntemini içeren algoritmalar önerilmiştir. Bunun yanı sıra ikili sınıflandırma yöntemlerinden biri olan destek vektör makinalarında çokyüzlü konik fonksiyonlar ve kümelemenin kullanıldığı yeni algoritmalar sunulmuştur. Önerilen yöntemler MATLAB programı kullanılarak programlanıp, gerçek hayat ve sentetik veri kümeleri üzerinde hesaplama denemeleri yapılmıştır. Önerilen yöntemler temel Çokyüzlü Konik Fonksiyonlar algoritması ile karşılaştırılmış ve sonuçlar tablolarla sunulmuştur.

Classification, a method of data mining, is creation of a specific recognition system that uses a training set selected from a specific dataset. Classification has important applications in many areas as engineering, medicine, economy etc. that?s why researchers from many different disciplines work on this area and search to find more effective classification methods.In this Phd. thesis, classification problems and types are expressed and polyhedral conic functions that?s an important approachment of classification is examined. To be more comprehensible the examination is supported by examples and graphics. In binary and multi classification for more effective separation of finite n-dimensional sets, clustering, another method of data mining, is used and algorithms based on polyhedral conic functions that includes clustering and iterative linear problem solutions, are suggested. Besides new algorithms that uses polyhedral conic functions and clustering in support vector machines method for binary classification are presented. The proposed methods programmed in MATLAB and calculation experiments have been made on real world and sentetic data sets. Proposed methods are compared with basis poyhedral conic functions algorithm and the results are presented in tables.