Yapay sinir ağ modelleri ve sınıflandırmaya uygulanması
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
IV YAPAY SİNİR AĞ MODELLERİ VE SINIFLANDIRMAYA UYGULANMASI (Yüksek Lisans Tezi) Nida GÖKÇE MUĞLA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ 2005 ÖZET Sınıflandırma, yapılandırılmamış veri setlerindeki veri noktalarım mümkün olduğunca küme içinde homojen ve kümeler arasında heterojen olacak şekilde gruplara ayırarak veri yapışım ortaya çıkarma işlemidir. Sınıflandırma genelde, danışmanlı ve danışmamız olmak üzere iki yaklaşımla gerçekleştirilmektedir. İstatistiksel sınıflandırma yöntemleri ise danışmansız öğrenme yaklaşımım temel almaktadır. Bu tezde yapılandırılmamış çok değişkenli verileri sınıflandırma problemine çözüm getirebilecek hem istatistiksel hem de kümeleme analizine dayanan sınıflandırma yöntemleri incelenmiş ve kümeleme analizine dayanan danışmansız yapay sinir ağ (YSA) mimarilerinin eğitiminde kullanılan yarışmacı öğrenme algoritmasının kullanımı ele alınmıştır. Girdi verileri ve ağırlık vektörünün standartlaştırılma biçiminin farklılığına bağlı olarak kullanılmakta olan uzaklığa dayanan ve açıya dayanan YÖA'larla YSA'ların eğitimi detaylı olarak incelenmiştir. Ağırlık vektörlerinin başlangıç değerlerinin rasgeleliğinden kaynaklanan sınıflandırma tutarsızlığını gidermek için bu algoritmalar geliştirilerek uyarlamalı özelliğe sahip yetenek kazandırılmıştır. Önerilen iki farklı uyarlamalı YÖA Türkiye'deki 81 ilin sağlıkla ilgili verilerine uygulanmış ve bu illerin sağlık bazında gelişmişlik grupları tespit edilmiştir. Elde edilen sınıflandırma sonuçlarının tutarlı ve gerçekçi olduğu ve ayrıca açıya dayalı YÖA ile daha iyi sınıflandırma yapıldığı ortaya konulmuştur.V Anahtar Kelimeler: Yapay Sinir Ağlan, Danışmanlı Öğrenme, Danışmansız Öğrenme, Yarışmacı Öğrenme, Ağırlık Vektörü, Sınıflandırma, Kümeleme Analizi. Sayfa Adedi: 117 Tez Yöneticisi: Prof. Dr. Mübariz EMİNOV VI NEURAL NETWORK MODELS and APLICATION to CLASSIFICATION (Ph. M. Thesis) Nida GÖKÇE MUGLA UNIVERSITY INSTITUTE of SCIENCE and TECHNOLOGY 2005 ABSTRACT Classification is a process which separates the data points in the unstructured data sets into groups which are to be homogeneous in the clusters and heterogeneous among the clusters as possible and this process makes the data structure being exposed to view. Classification is generally realized by two approaches called as supervised and unsupervised. Statistical classification methods are based on supervised learning. Classification methods depending on clustering analysis is based on unsupervised learning approach. In this thesis, in order to solve the classification problem of unstructured multivariable data, both statistical and classification analysis methods are studied. The training of unsupervised NN architectures are based on clustering analysis and among these, the competitive learning algorithm is tackled in this study. Input data and weight vector are standardized in different ways. Depending on these differences, this study investigates training of NN through CLA which is based on distance and angle. In order to remove the classification inconsistency arising from random of initial values of weight vector these algorithms have been given the ability of adaptivity features by being developed. The two different suggested adaptivity CLA have been applied to data related to health in 81 cities in Turkey and the classification of groups in line with the extend of development in the field of health is obtained. It is put forward that the classification results obtained are valid and reliable and that a beter classification is performed by the adaptivity CLA which is based on angle.VII Key Words: Neural Network, Supervised Learning, Unsupervised Learning, Competitive Learning, Weight Vector, Classification, Clustering Analysis. Page Number: 117 Adviser : Prof. Dr. Mübariz EMİNOV
Collections