Incremental learning with ensemble based SVM classifiers for non-stationary environments

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2006

Tezin Dili: İngilizce

Öğrenci: AYCAN YALÇIN

Danışman: SADIK FİKRET GÜRGEN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tezde, Learn++ algoritması ile oluşturulmuş bir destek vektör makinesi (DVM)topluluğunun değişken (dinamik) bir ortamdaki sınıflandırma başarısı değerlendirilmiş vebu algoritmanın dinamik ortama uyum sağlayabilmesi için eski geçersiz bilgiyi unutmamekanizmasının kullanılması önerilmiştir.Birçok uygulamada, probleme ait veriler geniş bir zaman aralığında toplanır veverinin temelini oluşturan dağılım zaman içerisinde değişebilir. Bu da eski veri üzerindegerçeklenmiş olan modelin yeni veriler ile uyumsuz olmasına sebep olur ve bu durumdamodelin düzenli olarak güncellenmesi gerekmektedir. Dinamik bir ortamda önerilen birsınıflama modelinin başarılı olabilmesi için değişimin sınıflama modeli tarafından farkedilmesi ve modelin yeni ortama hızlı bir şekilde uyum sağlaması gerekir. Bu daoluşturulmuş olan modelin yeni örneklerle güncellenmesi ve eski geçersiz bilgininunutulmasıyla sağlanır.Learn++, sınıflayıcı topluluğu oluşturarak aşamalı öğrenmeyi sağlayan biralgoritmadır ve yeni bilgiye uyum sağlama, yeni bilgiyi öğrenme becerisine sahiptir.Dolayısıyla, geçersiz bilgileri unutmasını sağlayacak bir yöntem kullanılarak kolaycadinamik ortamlar için uyumlu hale dönüştürülebilir. Bu tezde Learn++ kullanılarakoluşturulmuş bir DVM topluluğunun dinamik ortamlara uyumlu hale getirilebilmesi içintopluluğu oluşturan sınıflayıcıların başarısını baz alan bir unutma yönteminin kullanılmasıöneriliyor. Tüm sınıflayıcılar içerisinde en başarılı K sınıflayıcı veya belli bir eşik değerüzerinde sınıflandırabilen sınıflayıcılar topluluk içerisinde tutularak bu sağlanmış oluyor.Sonuçlarımız gösteriyor ki, önerilen algoritma yavaş değişen ortamlarda, oluşturulanmodelin sınıflama başarısını artırmaktadır.