Ensemble-based fast shapelet approximation
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye
Tezin Onay Tarihi: 2018
Tezin Dili: İngilizce
Öğrenci: BERK GÖRGÜLÜ
Danışman: MUSTAFA GÖKÇE BAYDOĞAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Son yıllarda, zaman serisi veri tabanlarında benzerlik araştırması ve zaman serilerinin sınıflandırılması büyük ilgi görmektedir. Bu bağlamda zaman serileri arasındaki benzerliğin tanımlanması ve ölçülmesi önemli bir hal almıştır. En yakın komşu (NN) sınıflandırıcıları, başarısı ve sadeliği sebebiyle yaygın olarak kullanılmaktadır. Ancak bu sınıflandırıcılar, benzerlik hesaplamalarını zaman serilerinin tümü üzerinden yaptığından, kısa ilgi alanları olan uzun zaman serilerinde iyi performans gösteremeyebilir. Ayrıca, NN sınıflandırıcıları bir zaman dizisinin neden belirli bir sınıfa atanmış olduğu bilgisini de sağlamaz. Bu problemlerin üstesinden gelmek için, zaman serisi sınıflarını birbirinden ayıran ayırımcı alt serileri, yani şekilcikleri keşfetmeye odaklanılmıştır. Şekilcik bazlı yöntemler benzerlik hesaplamak yerine, zaman serilerinin bu şekilcikleri içlerinde barındırıp barındırmadığını araştırır ve zaman serilerini şekilciklerin varlığına dayalı bir öznitelik vektörüne dönüştürür. Son yıllarda, şekilcik keşif yöntemleri, şekilciklerin ayırıcı özelliklerini ölçme odaklıdır. Bu yöntemler, zaman serisi veri tabanlarının büyüklüğüne göre çok zaman alabileceğinden, şekilciklerin daha hızlı keşfine olanak sağlayan farklı gösterimler bulmaya yönelik çalışmalar önem kazanmıştır. Bunlar arasında, parçalı sabit yaklaşıklama yöntemlerinin çok daha hızlı sonuçlar sağlayan düşük boyutlu gösterimler oluşturduğu gözlenmiştir. Bu çalışmada, sınıfları tanımlayan şekilcikler oluşturmak için eğitmenli parçalı yaklaşıklama yöntemi önerilmektedir. Bu yöntem zaman serilerini sınıflandırmak için basit bir parçalı doğrusal yaklaşıklama modeli kullanılarak potansiyel şekilcikler belirler. Önerilen metot, geleneksel yöntemlerden farklı olmamakla birlikte parçalı bir yaklaşıklama yaparak şekilcikleri eğitmenli bir şekilde oluşturmak için regresyon ağaç toplulukları kullanır. Deney sonuçları, önerilen topluluk temelli hızlı şekilcik yaklaşıklama (EFSA) metodunun farklı alanlardaki referans veri setlerinde hızlı ve rekabetçi sonuçlar sağladığını göstermektedir.