Tez No İndirme Tez Künye Durumu
152479 Bu tezin, veri tabanı üzerinden yayınlanma izni bulunmamaktadır. Yayınlanma izni olmayan tezlerin basılı kopyalarına Üniversite kütüphaneniz aracılığıyla (TÜBESS üzerinden) erişebilirsiniz.
Comparison of bayesian network structure learning algorithms and a new approach based on hill climbing algorithm / Veriden bayes ağ yapısı öğrenme algoritmalarının karşılaştırılması ve tepe tırmanma algoritmasına yeni bir yaklaşım
Yazar:ŞERAF ADALİ
Danışman: DOÇ. DR. TANER BİLGİÇ
Yer Bilgisi: Boğaziçi Üniversitesi / Fen Bilimleri Enstitüsü / Endüstri Mühendisliği Ana Bilim Dalı
Konu:Endüstri ve Endüstri Mühendisliği = Industrial and Industrial Engineering
Dizin:
Onaylandı
Yüksek Lisans
İngilizce
2004
109 s.
ÖZET VERİDEN BAYES AG YAPISI ÖĞRENME ALGORİTMALARININ KARŞILAŞTIRILMASI VE TEPE TIRMANMA ALGORİTMASINA YENİ BİR YAKLAŞIM Bir Bayes ağı belli bir probleme özgün bir küme değişkenler arasındaki olasılıksal şartlı bağımsızlık ilişkilerini açıklayan görsel bir modeldir. Bu tez belli bir veri kümesinden yola çıkarak bir Bayes ağının yapışım öğrenmeye çalışan algoritmaları (skor ve kısıtlama bazlı) incelemektedir. Veri kümesi; 10,000 verili ve 13 değişkeni olan online bir sigorta şirketinin anketini ve Endonezya'da doğum kontrol metodlari hakkında yapılmış olan 1473 datalı ve 10 değişkeni olan bir anketi içermektedir. Algoritmalar; doğru link ve doğru yön keşif, BIC (Bayes Bilgi Skoru) ve hatalı bağlantı eklenmesi kriterlerine göre, farklı değişken sayısı, farklı veri tabam büyüklüğü ve farklı sayıda bağlantı kullanarak oluşturulmuş farklı öğrenme problemlerindeki davranışlarını inceleyerek irdelenmişlerdir. Ayrıca bağlantısız, tamamen bağlantılı veya rastgele belirlenmiş ağla başlatılmış Tepe Tırmanma algoritmasına yeni bir yaklaşım önerisi yapılmıştır.
ABSTRACT COMPARISON OF BAYESIAN NETWORK STRUCTURE LEARNING ALGORITHMS AND A NEW APPROACH BASED ON HILL CLIMBING ALGORITHM A Bayesian network is a graphical model that represents probabilistic conditional independence relationships between a set of variables for a specific problem. In this thesis we examine algorithms (score based and constraint based) that try to learn the structure of Bayesian networks from data. The datasets we use are from an online insurance company with 10,000 samples and 13 variables and from a survey in Indonesia about contraceptive method with 1473 samples and 10 variables. The algorithms are examined according to their performance in terms of association and right direction discovery, Bayesian Information Criterion score and erroneous edge addition by investigating their behaviour under different learning problems which is done by using different number of nodes, different sample size and different number of arcs. We offer a new approach to Hill Climbing algorithm which is initiated normally with an empty, full or random network.