Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar
Yıl: 2021 Cilt: 36 Sayı: 4 Sayfa Aralığı: 1817 - 1830 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.799556 İndeks Tarihi: 29-07-2022
Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar
Öz: Çok yüzlü konik sınıflandırıcılar destek vektör makineleriyle karşılaştırıldığında başarısıyla ve basitliği korumasıyla ön plana çıkmaktadır. Bu sınıflandırıcılarda bir tepe noktası olan koni fonksiyonu kullanılmaktadır. İyi seçilmiş bir tepe noktası bir bölgede toparlanan pozitif verilerin sıkıca çevrelenebilmesini sağlar. Aynı sınıfa ait pozitif verilerin farklı bölgelerde kümelendiği durumlarda ise tek bir sınıflandırıcı yeterli olmamakta, birden fazla sınıflandırıcıya ihtiyaç duyulmaktadır. Bu çalışmada tek bir sınıflandırıcı kullanarak farklı bölgelerde kümelenen pozitif verileri sınıflandırmak amacıyla çok merkezli çok yüzlü konik sınıflandırıcı (MCPCC) yöntemi geliştirilmiştir. Karşılaştırma yapabilmek için önerilen sınıflandırıcı ve benzer yöntemlerle deneyler gerçekleştirilmiştir. Elde edilen sonuçlarda MCPCC yönteminin başarılı sonuçlar verdiği gözlemlenmiştir.
Anahtar Kelime: Multi center polyhedral conic classifiers that can classify complex data
Öz: Polyhedral conic classifiers, compared to support vector machines, stand out for their success while keeping simplicity. In these classifiers, a conic function with a vertex point is used. A carefully chosen vertex point provides compact decision boundaries for positive samples that are clustered together. In cases where positive data belonging to the same class are clustered in different regions, a single classifier is not enough, and more than one classifier is needed. In this study, a novel multicenter polyhedral conic classifier (MCPCC) is developed to use only one classifier to classify positive data clustered in different regions. Experiments are performed using proposed method and related methods for comparison. In the results, it is demonstrated that the new MCPCC method gives successful and promising results.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- 1. Hanbay K., Hyperspectral image classification using convolutional neural network and two dimensional complex Gabor transform, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (1), 443-456, 2020.
- 2. Doğan M., Orman A., Örkcü M., Örkcü H., A new approach based on regression analysis and mathematical programming to multigroup classification problems, Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (4), 1939-1956, 2019.
- 3. Aktaş A., Doğan B., Demir Ö., Tactile paving surface detection with deep learning methods, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (3), 1685-1700, 2020.
- 4. Toraman S., Türkoğlu İ., A new method for classifying colon cancer patients and healthy people from FTIR signals using wavelet transform and machine learning techniques, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (2), 33-942, 2020.
- 5. Cevikalp, H., Triggs, B., Large margin classifiers based on convex class models, IEEE 12th international conference on computer vision workshops, Kyoto, 101- 108, 2009.
- 6. Cevikalp, H., Triggs, B., Hyperdisk based large margin classifier, Pattern recognition, 46 (6), 1523-1531, 2013.
- 7. Cortes, C., Vapnik, V., Support vector networks, Machine learning, 20, 273-297, 1995.
- 8. Tax D.M.J., Duin, R.P.W., Support vector data description, Machine Learning, 54 (1), 45-66, 2004.
- 9. Cevikalp, H., Triggs, B., Visual object detection using cascades of binary and one-class classifiers, International journal of computer vision, 123 (3), 334- 349, 2017.
- 10. Mangasarian O.L., Wild, E.W., Multisurface proximal support vector machine classification via generalized eigenvalues, IEEE Transactions on pattern analysis and machine intelligence, 28 (1), 69-74, 2006.
- 11. Jayadeva, Khemchandani, R., Chandra, S., Twin support vector machines for pattern classification, IEEE transactions on pattern analysis and machine intelligence, 29 (5), 905-910, 2007.
- 12. Cevikalp H., Best fitting hyperplanes for classification, IEEE Transactions on Pattern Analysis and Machine Intelligence, 39 (6), 1076-1088, 2016.
- 13. Vedaldi, A., Zisserman, A., Efficient additive kernels via explicit feature maps, IEEE transactions on pattern analysis and machine intelligence, 34 (3), 480-492, 2012.
- 14. Rahimi, A., Recht, B., Random features for large-scale kernel machines, advances in neural information processing systems, Vancouver, 1177-1184, 2007.
- 15. Dundar, MM., Wolf, M., Lakare, S., Salganicoff, M., Raykar, VC, Polyhedral classifier for target detection: A case study: Colorectal cancer, 25th International Conference on Machine Learning, Helsinki, 288-295, 2008.
- 16. Bagirov, A.M., Ugon, J., Webb, D., Ozturk, G., Kasimbeyli, R., A novel piecewise linear classifier based on polyhedral conic and max–min separabilities, TOP: An Official Journal of the Spanish Society of Statistics and Operations Research, 21 (1), 3-24, 2013.
- 17. Gasimov, R., Ozturk, G., Separation via polyhedral conic functions, Optimization methods & software, 21 (4), 527-540, 2006.
- 18. Cevikalp, H., Triggs, B., Polyhedral conic classifiers for visual object detection and classification, 2017 IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, 4114-4122, 2017.
- 19. Cevikalp H., Saglamlar H., Polyhedral conic classifiers for computer vision applications and open set recognition, IEEE transactions on pattern analysis and machine intelligence, 43 (2), 608-622, 2021.
- 20. Ozturk, G., Ciftci, T., Clustering based polyhedral conic functions algorithm in classification, Journal of Industrial & Management Optimization, 11 (3), 921- 932, 2015.
- 21. Cimen, E., Ozturk, G., Gerek, O., Incremental conic functions algorithm for large scale classification problems, Digital Signal Processing, 77, 187-194, 2018.
- 22. Cimen, E., Ozturk, G., O-PCF algorithm for one-class classification, Optimization Methods and Software, 35 (6), 1065-1079, 2019.
- 23. Ozturk, G., Cimen, E., Polyhedral conic kernel-like functions for SVMs, Turkish Journal of Electrical Engineering & Computer Sciences, 27 (2), 1172-1180, 2019.
- 24. Ceylan, G., Ozturk, G., Revised polyhedral conic functions algorithm for supervised classification, Turkish Journal of Electrical Engineering & Computer Sciences, 28 (5), 2735-2749, 2020.
- 25. Satı Uylas, N., A novel semisupervised classification method via membership and polyhedral conic functions, Turkish Journal of Electrical Engineering & Computer Sciences, 28 (1), 80-92, 2020.
- 26. Cimen, E., A Random Subspace Based Conic Functions Ensemble Classifier, Turkish Journal of Electrical Engineering & Computer Sciences, 28 (4), 2165-2182, 2020.
- 27. Acar, M., Kasimbeyli, R., A polyhedral conic functions based classification method for noisy data, Journal of Industrial & Management Optimization, 13, doi: 10.3934/jimo.2020129, 2020.
- 28. Dordinejad, G. G., Çevikalp, H., Cone vertex estimation in polyhedral conic classifiers, 25th Signal Processing and Communications Applications Conference, Antalya, 1-4, 2017.
- 29. Everingham, M., Van Gool, L., Williams, C., Winn, J., Zisserman, A., The PASCAL visual object classes challenge, International journal of computer vision, 88 (2), 303-338, 2010.
- 30. Chang, C., Lin, C., Libsvm: A library for support vector machines, ACM Trans Intell Syst Technol, 2 (3), 1-27, 2011.
- 31. Yalcin, M., Cevikalp, H., Yavuz, H.S., Towards largescale face recognition based on videos, International Conference on Computer Vision Workshops, Santiago, 1078-1085, 2015.
APA | Saglamlar H (2021). Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar. , 1817 - 1830. 10.17341/gazimmfd.799556 |
Chicago | Saglamlar Halil Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar. (2021): 1817 - 1830. 10.17341/gazimmfd.799556 |
MLA | Saglamlar Halil Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar. , 2021, ss.1817 - 1830. 10.17341/gazimmfd.799556 |
AMA | Saglamlar H Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar. . 2021; 1817 - 1830. 10.17341/gazimmfd.799556 |
Vancouver | Saglamlar H Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar. . 2021; 1817 - 1830. 10.17341/gazimmfd.799556 |
IEEE | Saglamlar H "Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar." , ss.1817 - 1830, 2021. 10.17341/gazimmfd.799556 |
ISNAD | Saglamlar, Halil. "Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar". (2021), 1817-1830. https://doi.org/10.17341/gazimmfd.799556 |
APA | Saglamlar H (2021). Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(4), 1817 - 1830. 10.17341/gazimmfd.799556 |
Chicago | Saglamlar Halil Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36, no.4 (2021): 1817 - 1830. 10.17341/gazimmfd.799556 |
MLA | Saglamlar Halil Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.36, no.4, 2021, ss.1817 - 1830. 10.17341/gazimmfd.799556 |
AMA | Saglamlar H Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 36(4): 1817 - 1830. 10.17341/gazimmfd.799556 |
Vancouver | Saglamlar H Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 36(4): 1817 - 1830. 10.17341/gazimmfd.799556 |
IEEE | Saglamlar H "Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36, ss.1817 - 1830, 2021. 10.17341/gazimmfd.799556 |
ISNAD | Saglamlar, Halil. "Karmaşık verileri sınıflandırabilen çok merkezli çok yüzlü konik sınıflandırıcılar". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36/4 (2021), 1817-1830. https://doi.org/10.17341/gazimmfd.799556 |