Yazar
Mahmudi, Nadir
Basım Tarihi
2015-11
Konu
Genetik algoritmalar
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
14c73a66-b5a0-49c3-ad66-80fad32a10c6
Lokasyon
Endüstri Mühendisliği Bölümü
Tarih
2015-11
Örnek Metin
Sınıflandırma problemleri, geleneksel olarak veri madenciliği (DM) algoritmaları tarafından ele alınan en yaygın tahmin problemleridir. Bu algoritmalarda amaç, yanlış sınıflandırılmış gözlemlerin (örneklerin) sayısını (veya ağırlıklı sayısını) en aza indirmeyi amaçlayan istatistiksel bir amaçtır. Son zamanlarda, maliyete duyarlı sınıflandırma, mevcut algoritmaların bazı popüler problemlerdeki özel kaygılarla baş edememesi nedeniyle araştırmacıların dikkatini çekmiştir. İki temel özel kaygı vardır. Birincisi, sınıf dengesizliği (veya çarpıklık) olarak adlandırılan, farklı sınıflarda gözlem sayısının değişmesi durumudur. İkinci konu, bir sınıflandırma algoritması uygulanırken dikkate alınması gereken, doğal olarak farklı yanlış sınıflandırma maliyetlerinin olduğu durumdur. Bu çalışma, gerçek hayattaki dört problemle başa çıkmak için iki tür kar odaklı yaklaşımı içermektedir. İlk olarak, Fisher Diskriminant Analizini (FDA) değiştirerek kâra duyarlı bir yaklaşıma dönüştürdük. Kâra duyarlı Fisher Diskriminant Analizi (PFDA), mevcut hataya dayalı FDA'yı, ana hata minimizasyon varsayımlarını devralan karlı gözlemlere vurgu yapacak şekilde değiştirir. Kâra dayalı modelleme adı verilen ikinci yaklaşım ise gözlemleri sınıflandırma hataları yerine toplam net kâra göre sınıflandırmaya çalışır. Bu yaklaşım, meta-sezgisel kullanarak maksimum net kâra sahip bir ayırt etme fonksiyonu için çözüm uzayını arar. Kâra dayalı sınıflandırma yaklaşımını uygulamak için Göç Eden Kuşlar Optimizasyonu (MBO), Yapay Arı Kolonisi (ABC), Parçacık Sürü Optimizasyonu (PSO) ve Genetik Algoritma (GA) dahil olmak üzere dört meta-sezgisel yöntem kullanılmaktadır. Bu çalışmada ayrıca MBO (m-MBO) üzerinde bir değişiklik önerdik. Sonuçlar, kâra duyarlı FDA'nın orijinal versiyonuna göre daha fazla kârlı pozitif yakalayabildiğini, ancak daha az sayıda doğru şekilde sınıflandırılmış pozitif olduğunu göstermektedir. Kazanca duyarlı yaklaşım, sınıflandırmadaki önceliğin karlı gözlemler için belirleneceği şekilde hata minimizasyonu varsayımlarını benimser. Öte yandan kâr temelli yaklaşım, toplam net kârı maksimize etmeye yönelik bir amaç fonksiyonu kullanarak daha kârlı çözümlere ulaşabilir. Bu yaklaşım, eğitim sırasında hata minimizasyonu varsayımlarını tamamen göz ardı ettiğinden, gerçek pozitif oranda düşük performans gösterdi. Kâr temelli yaklaşımda kullanılan meta-sezgisel yöntemlerden Yapay Arı Kolonisi (ABC) ve MBO'nun değiştirilmiş versiyonu (m-MBO) her zaman diğer meta-sezgisellerden daha iyi performans göstermektedir. Bu yazılımlarda ele alınan amaç fonksiyonları, yanlış sınıflandırılan gözlemlerin (durumların) bölümleri (veya ağırlıklı toplam bölümleri) ve aza indirilmesi hedeflemektedir. Mevcut programlar bazı popüler problemlerde özel durumlarda doğru şekilde ele alamadıklarından dolayı, son dönemlerde maliyete duyarlı kişilerin dikkatini çeker hale geldi. Sınıf dengesizliği nedeniyle gözlemlerin farklısınıflarındaki değişkenliği, ve çiçek açanlarının zamanında yanlış değişim ücretlerinin farklılığının ele alınmasıolmak üzere iki tür özel durum bulunmaktadır. Bu çalışma, iki tip kâr odaklı yaklaşımla döort ayrı gerçek hayat probleminin devamını içermektedir. İlk olarak, Fisher Diskriminant Analizi (FDA) üzerinde yapılan değişiklikler ve kâra duyarlı bir yaklaşım haline getirildi. Kâra duyarlıFisher Diskriminant Analizi (KFDA) esas hata minimizasyonu gerçekleştirilerek bunları koruyarak, yapılan değişikliklerle mevcut hata tabanlı FDA'nın daha kârlıgözlemleri daha fazla korunmasısağlanmıştır. İkinci yöntem olan kâr esaslımodelleme, gözlemleri çalıştırmadan ziyade toplam net kârlara göre tasarlanmaktadır. Bu yaklaşımla, meta-sezgisel temizleyiciler kullanarak çözüm alanında maksimum net kâr ayırabilecek bir fonksiyon aramaktadır. Kâr temelli sınıflanırma tedavisini uygulamak için, Göçmen Kuşlar sertifikasıu (GKO), Yapay Arı Kolonisi (YAK) Algoritması, Parçacık Sürü Optimizasyonu (PSO) ve Genetik Algoritma (GA) olmak üzere dört meta-sezgisel yöntemi kullanılmaktadır. Başka bir katkı olarak ise, bu başarılı Göçmen Kuşlar Algoritmasının modifiye edilmiş versiyonu (d-GKO) sunulmaktadır. Sonuçlara kâra duyarlı FDA, orijinal versiyonuna göre kârlı pozitif yapabilir daha fazla yakalayabilmektedir. Bu, daha az sayıda, doğru olarak açılmayıbaşarmaktadır, ancak hata minimizasyonu yaptıklarınıadapte ederek pozitif olarak çalıştırılmadan önceliği kârlı gözlemlere olanak sağlamaktadır. kâr esasına dayalı toplam net kârını maksimize etmeyi amaç fonksiyonu olarak kullanarak daha fazla kâr getiren çözümler elde etmektedir. Bu yaklaşım öğrenme sırasında hata minimizasyonu yapıldığınıtamamen yok saydığı için, doğru pozitif orandan daha düşük performans sergilemektedir. Kâr tabanlı yaklaşımda kullanılan meta-sezgisel programlar arasında Yapay ArıKolonisi (YAK) uygulamaları, Göçmen Kuşlar Algoritmasının modifiye edilmiş versiyonu (d-GKO) harici indirimlerden toplam net k^ar açısından daha iyi sonuçlar vermektedir.
