Görüntüleme (gezinme ile): 27 -- Görüntüleme (arama ile): 1 -- IP: 3.236.101.52 -- Ziyaretçi Sayısı:

Özgün Başlık
Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi

Yazarlar
Sevgi Ayhan, Şenol Erdoğmuş

Dergi Adı
Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi

Cilt
Nisan 2014, Cilt 9, Sayı 1, ss. 175-198

Anahtar Kelimeler
Veri madenciliği ; Destek vektör makineleri ; Çekirdek fonksiyonu seçimi ; Rassal blok deney tasarımı ; Tek değişkenli varyans analizi

Özet
Veri madenciliğinin görevlerinden biri olan sınıflandırma probleminin çözümü için geliştirilmiş önemli makine öğrenimi algoritmalarından biri Destek Vektör Makineleri’dir. Literatürde Destek Vektör Makineleri’nin diğer birçok tekniğe göre daha başarılı sonuçlar verdiği kanıtlanmıştır. Destek Vektör Makineleri’nin uygulanması sürecinde çekirdek fonksiyonu seçimi ve parametre optimizasyonu önemli rol oynamaktadır. Bu çalışmada, çekirdek fonksiyonu seçim süreci rassal blok deney tasarımı temeline oturtulmuştur. Çekirdek fonksiyonun seçiminde tek değişkenli varyans analizinden (Univariate ANOVA) yararlanılmıştır. Sonuç olarak en başarılı performansa sahip çekirdek fonksiyonunun radyal tabanlı fonksiyon olduğu kanıtlanmıştır.

Başlık (Yabancı Dil)
Kernel Function Selection for the Solution of Classification Problems Via Support Vector Machines

Anahtar Kelimeler (Yabancı Dil)
Data Mining ; Support Vector Machines ; Kernel Function Selection ; Randomized Block Experimental Design ; Univariate ANOVA

Özet (Yabancı Dil)
One of the most important machine learning algorithms developed for to accomplish classification task of data mining is Support Vector Machines. In the literature, Support Vector Machines has been shown to outperform many other techniques. Kernel function selection and parameter optimization play important role in implementation of Support Vector Machines. In this study, Kernel function selection process was ground on the randomized block experimental design. Univariate ANOVA was utilized for kernel function selection. As a result, the research proved that radial based Kernel function was the most successful Kernel function was proved.