Yazar
Ekşioğlu, Sezin
Basım Tarihi
2023-01-18T12:43:56Z
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
cd8d1f5c-158c-48c8-8cd6-e4c855bd178c
Lokasyon
Veri Bilimi Bölümü
Tarih
2023-01-18T12:43:56Z
Örnek Metin
Çoklu etiket sınıflandırması birçok uygulama için büyük öneme sahiptir ve aynı zamanda zorlu bir araştırma konusudur. İkili hedefleri içeren bir tür denetimli öğrenmedir. Çok etiketli sınıflandırma problemlerinde çok etiketli ve ikili sınıflandırma arasındaki mesafe birden fazla sınıfın bulunmasıdır. Özellikler bir sınıfa ait olabileceği gibi birçok sınıfa da ait olabilir. Çoklu etiket tahmini için görüntü etiketleme, metin kategorizasyonu, gen işlevselliği gibi geniş bir uygulama yelpazesi mevcuttur. Özellikler birçok sınıfta sınıflandırılsa da her zaman doğru şekilde sınıflandırılamayabilir. Sınıflandırma için birçok topluluk yöntemi vardır. Ancak araştırmacıların çoğu daha iyi çoklu etiket yöntemleri konusunda endişe duymaktadır. Özellikle küçükler, daha iyi çoklu etiket sınıflandırması uygulamak için hem sınıflandırıcıların verimliliğine hem de ikili ilişkilere aynı anda odaklanır. Bu yazıda, sorunları faydalı bir şekilde ele almak ve çok etiketli sınıflandırmadan daha iyi etkiler elde etmek için k-En Yakın Komşular ve sinir ağı yapısından sırayla faydalanarak değiştirilmiş topluluk yöntemleri üzerinde çalıştık. Geliştirilen algoritmanın verimliliğini göstermek için halka açık veri setleri (maya, duygu, sahne ve kuşlar) gerçekleştirilir ve teknik ölçülür. Algoritmamız, farklı ölçümlerle her veri kümesi için kıyaslamalardan daha iyi performans gösteriyor. Algoritmanın sonucu, en gelişmiş sonuçlarla rekabet edebilecek düzeydedir. Özellikle yanlış pozitif minimizasyon ve yanlış negatif minimizasyon ağırlıklı ortalamada, algoritma kıyaslamaları geçmektedir. İkili hedefler içeren bir tür denetimli öğrenmedir. Çok etiketli problemlerde çok etiketli ve ikili çözümler arasında mesafe, birden fazla sınıfa sahip olmak. Özellikler bir sınıfa veya birçok sınıfa ait olabilir. Görüntü etiketleme, metin kategorizasyonu, gençleştirme gibi çok etiketli tahminler için geniş bir uygulama yelpazesi bulunmaktadır. Özellikler birçok sınıfta sınıflandırılmış olsa da, her zaman uygun şekilde sınıflandırılamayabilirler. Sınıflandırma için birçok üretim yöntemi vardır. Bununla birlikte, araştırmacıların çoğu, daha iyi çoklu etiket yöntemleri konusunda endişe duymaktadır. Özellikle bazıları, daha iyi çok etiketli gösterimler için hem sınıflandırıcıların işlemlerine hem de ikili bağlantılara aynı anda odaklanır. Bu zararlılar, sorunlar faydalı bir şekilde ele almak ve çok etiketli belirtilerden daha iyi etkiler elde etmek için k - En Yakın Komşunun çalıştırılmasından ve yapay sinir ağı kurulumunun düzeninden yararlanarak, modül modül yöntemleri üzerinde çalışıldı. Farklı veri paketleri üzerinde uygulamamızı uyguladık. Algoritmamız, farklı metriklere sahip olup, veri ayarları için karşılaştırmalardan daha iyi performans gösterir. Algoritmanın sonucu, en gelişmiş sonuçlarla rekabet edebilir ölçüdedir ve doğruluk açısından rakiplerini geçen sonuçlar elde edilmiştir.
