Tez No	İndirme	Tez Künye	Durumu
406318		Construction and performance analysis of locally adaptive base and ensemble learners / Veri̇ uzayinin bölgesel özelli̇kleri̇ni̇ kullanan teki̇l ve kolekti̇f öğreni̇ci̇ tasarimlari ve performans anali̇zleri̇ Yazar:FARUK BULUT Danışman: YRD. DOÇ. DR. MEHMET FATİH AMASYALI Yer Bilgisi: Yıldız Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bilgisayar yazılımları = Computer softwares ; Uygulama yazılımı = Application software	Onaylandı Doktora İngilizce 2015 123 s.
Kolektif ve Meta Öğrenme yöntemlerini temel alan çalışmamızda var olan temel öğrenicilerin yanı sıra, yeni temel öğreniciler de kullanılarak sınıflandırıcılarda performans analizi ve artırımı üzerine teorik ve pratik çalışmalar yapılmıştır. Bir veri setinde bulunan ayrık alt bölümlerin karakteristik ve meta özellikleri daha iyi bir öğrenme başarısı için analiz edilmiştir. Öncelikle bir Karar Ağacı sınıflandırıcısının performans analizi Meta Öğrenme yöntemilye detaylı bir şekilde yapılmış ve sınıflandırma başarısının ya da başarısızlığının nedenleri veri setindeki lokal geometrik karmaşıklık ölçütlerine bakılarak araştırılmıştır. Bu ölçütlerden yararlanılarak performans tahmini yapabilen geçerli ve anlamlı bir lineer regresyon modeli çıkarılabilmiştir. Ayrıca, veri setinin ayrık alt bölümleri, Uzman Karışımlarında öne sürülen yeni bir katı kümeleme yaklaşımı ile ele alınmış ve toplam sınıflandırma başarısı önerilen farklı geçiş fonksiyonlarıyla artırılmıştır. Son olarak örnek tabanlı bir öğrenicinin performansı, veri setinin lokal dağılımlarına ve özelliklerine bağlı olarak dinamik parametre seçimi yapan adaptif bir mekanizma güçlendirilmiştir. Çalışmamızda her bir test örneği için en uygun k parametresini kümeleme yöntemiyle bulan ve bu sayede genel sınıflandırma başarısını artıran bir yöntem üzerinde çalışılmış ve başarılı sonuçlar elde edilmiştir.
In this study, construction and performance analysis of locally adaptive base and ensemble learners have been proposed by using Meta and Ensemble Learning techniques. The characteristics and meta-features of the discretized sub regions in a dataset have been analyzed for the purpose of better learning performance. A detailed performance analysis of a local base learner over any type of dataset is firstly performed in order to understand the reasons of both failure and success in classification. Prediction of the performance of a base learner (e.g., decision tree) is proposed with a feasible linear regression model by examining the local geometrical complexities. As a consequence, some meaningful reasons have been determined why decision trees outperform or fail on any dataset. Additionally, the discrete sub regions are learned by using the Mixture of Experts model to enhance the overall prediction accuracy. A new approach in Mixture of Experts using hard clustering techniques is presented with different types of gate functions for accurate prediction and classification. Finally, a localized lazy base learner using a dynamic parameter selection mechanism is established to gain better performance. A locally adaptive parameter selection mechanism for nearest neighbor classifiers using clustering methods is suggested. In the experiments of the improved method more accurate results have been found.