Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi

Ayhan, Sevgi; ERDOĞMUŞ, ŞENOL

Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi

Sevgi AYHAN, (Eskişehir Osmangazi Üniversitesi, Fen Edebiyat Fakültesi, İstatistik Bölümü, Eskişehir, Türkiye)

Şenol ERDOĞMUŞ (Eskişehir Osmangazi Üniversitesi, Fen Edebiyat Fakültesi, İstatistik Bölümü, Eskişehir, Türkiye)

Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi

1 1

Yıl: 2014 Cilt: 9 Sayı: 1 Sayfa Aralığı: 175 - 198 Metin Dili: Türkçe İndeks Tarihi: 29-07-2022

Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi

Öz:

Veri madenciliğinin görevlerinden biri olansınıflandırma probleminin çözümü için geliştirilmiş önemli makine öğrenimi algoritmalarındanbiri Destek Vektör Makineleridir. LiteratürdeDestek Vektör Makinelerinin diğer birçok tekniğe göre daha başarılı sonuçlar verdiği kanıtlanmıştır. Destek Vektör Makinelerinin uygulanması sürecinde çekirdek fonksiyonu seçimi veparametre optimizasyonu önemli rol oynamaktadır. Bu çalışmada, çekirdek fonksiyonu seçimsüreci rassal blok deney tasarımı temeline oturtulmuştur. Çekirdek fonksiyonun seçiminde tekdeğişkenli varyans analizinden (Univariate ANOVA) yararlanılmıştır. Sonuç olarak en başarılıperformansa sahip çekirdek fonksiyonununradyal tabanlı fonksiyon olduğu kanıtlanmıştır.

Anahtar Kelime:

Konular: Bilgisayar Bilimleri, Yazılım Mühendisliği Bilgisayar Bilimleri, Bilgi Sistemleri

Kernel Function Selection for the Solution of Classification Problems via Support Vector Machines

Öz:

One of the most important machine learningalgorithms developed for to accomplish classifi- cation task of data mining is Support VectorMachines. In the literature, Support VectorMachines has been shown to outperform manyother techniques. Kernel function selection andparameter optimization play important role inimplementation of Support Vector Machines. Inthis study, Kernel function selection process wasground on the randomized block experimentaldesign. Univariate ANOVA was utilized forkernel function selection. As a result, the research proved that radial based Kernel functionwas the most successful Kernel function wasproved.

Anahtar Kelime:

Konular: Bilgisayar Bilimleri, Yazılım Mühendisliği Bilgisayar Bilimleri, Bilgi Sistemleri

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

Burges, C. J. C. (1998). A tutorial on support vector machines for pattern recognition, data mining and knowledge discovery. Kluwer Academic Publishers, 2 (2), 121-167.
Busuttil, S. (2003). Support vector machines. In Proceedings of the Computer Science Annual Research Workshop, Villa Bighi, Kalkara, University of Malta.
Conagin, A., Barbin, D., Demétrio, C.G.B. (2008). Modifications for the Tukey test procedure and evaluation of the power and efficiency of multiple comparison procedures. Scientia Agricola, 65, 428-432.
Cortes, C., Vapnik, V. (1995). Support vector networks, Machine Learning, 20,1-25.
Çakar, Ö. (2007). Fonksiyonel analize giriş I. A.Ü. Fen Fakültesi Döner Sermaye İşletmesi Yayınları, no:13, (Erwin KREYSZİGden Uyarlama).
Demirci, D. A. (2007). Destek vektör makineleri ile karakter tanıma, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, İstanbul.
Fernandez, G.C.J. (1992). Residual analysis and data transformations: Important tools in statistical analysis. HortScience, 27, 297300.
Fletcher, T. (2009). Support vector machines explained. www.cs.ucl.ac.uk/sta_/T.Fletcher/
Gunn, S. R. (1998). Support vector machines for classification and regression.
Technical Report, Faculty of Engineering, Science and Mathematics, School of Electronics and Computer Science. http://users.ecs.soton.ac.uk/srg/publications/pdf/SVM.pdf
Huang, C. L. and Wang, C. J. (2006). A GA-based feature selection and parameter optimization for support vector machines. Expert Systems with Applications, 31:231-240.
Katagiri, S. and Abe, S. (2006). Incremental training of support vector machines using hyperspheres. Pattern Recognition Letters, 27 (13), 1495-1507
Li, S., Li, H., Li, M., Shyr, Y., Xie, L. and Li, Y. (2009). Improved prediction of lysine acetylation by support vector machines. Protein and peptide letters, 16, 977-983.
Nitze, I., Schulthess, U. And Asche, H. (2012). Comparison of machine learning algorithms random forest, artficial neural network and support vector machine to maximum likelihood for supervised crop type classification. Proceedings of the 4th GEOBIA, Janeiro - Brazil., 35-40.
Osowski, S., Siwekand, K., and Markiewicz, T. (2004). MLP and SVM Networks a Comparative Study. Proceedings of the 6th Nordic Signal Processing Symposium NORSIG.
Schölkopf, B., and Smola A.J. (2002). Learning with Kernels. MIT Press,626 s.
Soman, K.P., Loganathan, R. and Ajay, V. (2011). Machine learning with SVM and other kernel methods. PHI Learning Pvt. Ltd., 486 s.
Suykens, J. A. K. (2002). Least squares support vector machines. River Edge, NJ : World Scientific, xiv, 294 s.
UCI Repository of Machine Learning Databases, Department of Information and Computer Science, University of California, Irvine, CA.

APA	Ayhan S, ERDOĞMUŞ Ş (2014). Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. , 175 - 198.
Chicago	Ayhan Sevgi,ERDOĞMUŞ ŞENOL Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. (2014): 175 - 198.
MLA	Ayhan Sevgi,ERDOĞMUŞ ŞENOL Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. , 2014, ss.175 - 198.
AMA	Ayhan S,ERDOĞMUŞ Ş Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. . 2014; 175 - 198.
Vancouver	Ayhan S,ERDOĞMUŞ Ş Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. . 2014; 175 - 198.
IEEE	Ayhan S,ERDOĞMUŞ Ş "Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi." , ss.175 - 198, 2014.
ISNAD	Ayhan, Sevgi - ERDOĞMUŞ, ŞENOL. "Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi". (2014), 175-198.

APA	Ayhan S, ERDOĞMUŞ Ş (2014). Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1), 175 - 198.
Chicago	Ayhan Sevgi,ERDOĞMUŞ ŞENOL Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi 9, no.1 (2014): 175 - 198.
MLA	Ayhan Sevgi,ERDOĞMUŞ ŞENOL Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, vol.9, no.1, 2014, ss.175 - 198.
AMA	Ayhan S,ERDOĞMUŞ Ş Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi. 2014; 9(1): 175 - 198.
Vancouver	Ayhan S,ERDOĞMUŞ Ş Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi. 2014; 9(1): 175 - 198.
IEEE	Ayhan S,ERDOĞMUŞ Ş "Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi." Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9, ss.175 - 198, 2014.
ISNAD	Ayhan, Sevgi - ERDOĞMUŞ, ŞENOL. "Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi". Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi 9/1 (2014), 175-198.