Bulanık parametreli bulanık esnek matrislerin makine öğrenimine uygulamaları

Abstract

Bu çalışmada, ilk olarak, bulanık parametreli bulanık esnek matrisler (fpfs-matrisler) üzerinde quasi-metrik, semi-metrik, pseudo-metrik ve metrik kavramları tanımlandı ve fpfs-matrisler üzerinde sekiz pseudo-metrik önerildi. Ardından, fpfs-matrisler üzerinde quasi-benzerlik, semi-benzerlik, pseudo-benzerlik ve benzerlik kavramları tanımlandı ve fpfs-matrisler üzerinde sekiz pseudo-benzerlik önerildi. Daha sonra, bu yeni kavramlar ve son zamanlarda fpfs-matrisler uzayına yapılandırılmış iki esnek karar verme metodu makine öğrenimindeki sınıflandırma problemlerine uygulandı. Sınıflandırma problemleri için FPFSCC, FPFSNHC, FPFSEC, FPFSCMC, FPFSAC ve FPFS-kNN olmak üzere toplamda altı makine öğrenimi algoritması geliştirildi. Geliştirilen algoritmaların simülasyonları için UCI makine öğrenimi veritabanındaki veri setleri ve doğruluk, kesinlik, duyarlık, makro F-skor ve mikro F-skor performans metrikleri kullanıldı. Sonrasında, önerilen yöntemlerin performans sonuçları, iyi bilinen ve güncel yöntemlerin performans sonuçlarıyla karşılaştırıldı. Friedman ve Nemenyi post-hoc testleri kullanılarak performans sonuçlarının istatistiksel değerlendirmesi yapıldı ve Nemenyi post-hoc testinin kritik diyagramları sunuldu. Performans sonuçları ve istatistiksel değerlendirmeler önerilen yöntemlerin göz önüne alınan veri setlerinde diğer yöntemlerden daha başarılı olduğunu göstermektedir. Son olarak, gelecek çalışmalar için önerilen yöntemler hakkında bir tartışmaya yer verildi.

In this study, first, the concepts of quasi-metric, semi-metric, pseudo-metric, and metric over fuzzy parameterized fuzzy soft matrices (fpfs-matrices) were defined, and eight pseudo-metrics over fpfs-matrices were proposed. Then, the concepts of quasi-similarity, semi-similarity, pseudo-similarity, and similarity over fpfs-matrices were defined, and eight pseudo-similarities over fpfs-matrices were proposed. Afterwards, these new concepts and two soft decision-making methods configured to fpfs-matrices space recently were applied to classification problems in machine learning. Six machine learning algorithms, i.e., FPFSCC, FPFSNHC, FPFSEC, FPFSCMC, FPFSAC, and FPFS-kNN, were developed for classification problems. The datasets in UCI machine learning repository and the performance metrics such as accuracy, precision, recall, macro F-score, and micro F-score were used for their simulations. Thereafter, the results of the proposed methods were compared with those of the well-known and state-of-the-art methods. The statistical evaluations of the performance results were carried out utilizing Friedman and Nemenyi post hoc tests, and the critical diagrams of Nemenyi post hoc test were presented. The performance results and their statistical evaluations showed that the proposed methods outperformed the others in the considered datasets. Finally, the proposed methods were discussed for further research.