Aramaya Dön

Çoklu örnekli öğrenme için alıcı operatörü karakteristik eğrisi altındaki alanı maksimuma çıkarmaya yönelik kesin bir yaklaşım

İsim	Çoklu örnekli öğrenme için alıcı operatörü karakteristik eğrisi altındaki alanı maksimuma çıkarmaya yönelik kesin bir yaklaşım
Yazar	Atasoy, Gizem
Basım Tarihi:	2018-08
Konu	Endüstri ve Endüstri Mühendisliği, Karışık tamsayı optimizasyonu, İki parçalı sıralama problemi, Çoklu örnek öğrenme, Eğri altındaki alan, Destek vektör makineleri
Tür	Belge
Dil	İngilizce
Dijital	Evet
Yazma	Hayır
Kütüphane:	Özyeğin Üniversitesi
Kayıt Numarası	b7bee7b1-ccf1-45dd-8d3d-06470c22b352
Lokasyon	Endüstri Mühendisliği Bölümü
Tarih	2018-08
Örnek Metin	The purpose of this study is to solve the multi-instance classi cation problem by directly maximizing the area under Receiver Operating Characteristic (ROC) curve (i.e., AUC). We derive a mixed integer linear programming model that produces the best possible hyperplane-based classi er for multi-instance classi cation. Our study sheds a light on the potential of hyperplane-based approaches, re ecting cross validation (CV) results for benchmark instances. As we maximize AUC directly, a hyperplane-based classi er can only coincidentally provide a better CV accuracy than those presented in this paper. Finally, we present how Kernel trick can be applied to produce nonlinear classi ers that maximize AUC., Bu çalışmanın amacı çoklu örnek sınıflandırma problemini Alıcı İşletim Karakteristiği (ROC) eğrisi altındaki alanı (yani, AUC) doğrudan maksimize ederek çözmektir. Çok örnekli sınıflandırma için mümkün olan en iyi hiperdüzlem tabanlı sınıflandırıcıyı üreten karma bir tamsayı doğrusal programlama modeli türetilmiştir. Çalışmamız, kıyaslama örnekleri için çapraz doğrulama (CV) sonuçlarını yansıtan hiperdüze tabanlı yaklaşımların potansiyeline ışık tutmaktadır. Doğrudan AUC'yi en üst düzeye çıkardıkça, hiperdüze tabanlı bir sınıflandırıcı sadece şans eseri bu yazıda sunulanlardan daha iyi bir CV doğruluğu sağlayabilir. Son olarak, AUC'yi maksimize eden doğrusal olmayan sınıflandırıcılar üretmek için çekirdek püf noktasının nasıl uygulanabileceğini sunuyoruz.

Kaynağa git Özyeğin Üniversitesi Özyeğin Üniversitesi - Osmanlıca el yazması arama motoru

Özyeğin Üniversitesi

Çoklu örnekli öğrenme için alıcı operatörü karakteristik eğrisi altındaki alanı maksimuma çıkarmaya yönelik kesin bir yaklaşım

Yazar Atasoy, Gizem

Basım Tarihi 2018-08

Konu Endüstri ve Endüstri Mühendisliği, Karışık tamsayı optimizasyonu, İki parçalı sıralama problemi, Çoklu örnek öğrenme, Eğri altındaki alan, Destek vektör makineleri

Tür Belge

Dil İngilizce

Dijital Evet

Yazma Hayır

Kütüphane Özyeğin Üniversitesi

Kayıt Numarası b7bee7b1-ccf1-45dd-8d3d-06470c22b352

Lokasyon Endüstri Mühendisliği Bölümü

Tarih 2018-08

Örnek Metin The purpose of this study is to solve the multi-instance classi cation problem by directly maximizing the area under Receiver Operating Characteristic (ROC) curve (i.e., AUC). We derive a mixed integer linear programming model that produces the best possible hyperplane-based classi er for multi-instance classi cation. Our study sheds a light on the potential of hyperplane-based approaches, re ecting cross validation (CV) results for benchmark instances. As we maximize AUC directly, a hyperplane-based classi er can only coincidentally provide a better CV accuracy than those presented in this paper. Finally, we present how Kernel trick can be applied to produce nonlinear classi ers that maximize AUC., Bu çalışmanın amacı çoklu örnek sınıflandırma problemini Alıcı İşletim Karakteristiği (ROC) eğrisi altındaki alanı (yani, AUC) doğrudan maksimize ederek çözmektir. Çok örnekli sınıflandırma için mümkün olan en iyi hiperdüzlem tabanlı sınıflandırıcıyı üreten karma bir tamsayı doğrusal programlama modeli türetilmiştir. Çalışmamız, kıyaslama örnekleri için çapraz doğrulama (CV) sonuçlarını yansıtan hiperdüze tabanlı yaklaşımların potansiyeline ışık tutmaktadır. Doğrudan AUC'yi en üst düzeye çıkardıkça, hiperdüze tabanlı bir sınıflandırıcı sadece şans eseri bu yazıda sunulanlardan daha iyi bir CV doğruluğu sağlayabilir. Son olarak, AUC'yi maksimize eden doğrusal olmayan sınıflandırıcılar üretmek için çekirdek püf noktasının nasıl uygulanabileceğini sunuyoruz.