Sınıflandırma Problemleri
Sınıflandırma Problemleri
Sınıflandırma problemlerinde olduğu gibi SVDD modelinde optimal bir kapalı yüksek boyutlu hiper-küre kurulur. Pozitif örnekler hiper-küreye dahil edilir ve aykırı değerler hiper-kürenin dışında bulunur. Ve SVDD modeli, veri setini tanımlamada ve aykırı değerleri tespit etmede kullanılabilir. Birincil SVDD modelinin ardından bir sınıf numune ile gözden geçirilir.
Ve modelin parametrelerini hesaplamak için çarpımsal güncelleme ilkesi analiz edilir. Daha sonra iki sınıf örneklem içeren SVDD modeli ele alınmış ve SVDD modelinin hiper küresine dayalı karar verme fonksiyonu gösterilmiştir. Bu bölümde özellik uzayındaki dönüşümden de bahsedilmektedir.
Tahmin Yöntemi
Bilinen örnekler tarafından yönlendirilen genel tahmin yöntemleri kısaca tartışılacaktır. Ardından, SVDD sınıflandırma modeline dayalı olarak bankaların müşteri kredi puanlamasının yeni tahmin yöntemi önerilmiştir. Önerilen yöntemin DVM model tabanlı yönteme göre avantajları analiz edilmiştir.
Örneklerin veri setinden hareketle örüntü tahmin yöntemlerinde temel olarak öğrenme aşaması ve tahmin aşaması olarak adlandırılan iki kısım vardır. Tahmin yönteminin süreçleri aşağıdaki gibidir. İlk olarak, ön işleme aşamasında orijinal veri seti toplanır, temizlenir, tamamlanır ve normalleştirilir.
Normalleştirilmiş veri kümesi {( x1 , y1 ), (x2,y2),…,(xN ,yN )} oluşturulur, burada xi ∈Rp, bilinen örneği temsil eden giriş p -boyut özellik vektörüdür ve N, örnek sayısı yi ∈{+1，−1}, xi , i =1,2,…,N giriş vektörüne karşılık gelen karar değeridir.
Öğrenme aşamasında, sınıflandırma karar verme fonksiyonunu y = f(x, P) oluşturmak için uygun matematiksel modeller seçilir; burada P, modellerin parametre setidir. Karar verme fonksiyonunu simüle etmek için yapay sinir ağları, SVM modeli ve SVDD modeli gibi farklı modeller kullanılabilir.
Modelleri kurduktan sonra, optimize edilmiş karar verme fonksiyonu y = f(x, P* ), bilinen örneklerin veri setini kullanan bazı öğrenme algoritmaları tarafından elde edilecektir; burada P* optimize edilmiş parametre setini gösterir.
Son olarak, yeni bir x* örneğinin tahmin sonucu, x* örneğinin optimize edilmiş karar verme fonksiyonuna girilmesi ve tahmin aşamasında fonksiyonel= f(x*,P*) değerinin hesaplanmasıyla elde edilebilir.
Regresyon ve sınıflandırma farkı
Kümeleme ve sınıflandırma arasındaki farklar
Veri madenciliği sınıflandırma modelleri
Veri madenciliği sınıflandırma Nedir
Sınıflandırma yöntemleri
Veri MADENCİLİĞİ sınıflandırma örnekleri
Regresyon ve sınıflandırma teknikleri arasındaki fark
Sınıflandırma algoritmaları
Bankaların müşteri kredi notlarının tahmininde SVDD sınıflandırma modeli kullanıldığında, pozitif örneklerin (kayıtları iyi olan müşteriler) hiper kürede, negatif örneklerin (kayıtları kötü olan müşteriler) hiper küre dışında olduğu varsayılmaktadır. . SVDD modeline göre bankaların müşteri kredi skorlama tahmin yöntemi aşağıdaki gibi özetlenebilir.
Bazı özel çekirdek fonksiyonları seçilir ve SVDD sınıflandırma modeli belirlenir. İkinci dereceden programlama problemi Denk.(16) ile gösterilen SVDD modelinin {αi ,i =1,2,…, N} parametreleri yinelemeli çarpımsal güncelleme algoritması gerekir.
Daha sonra hiperkürenin a merkezi ve R yarıçapı ayrı ayrı hesaplanır. Bu şekilde, SVDD sınıflandırma modeli bilinen örneklerle kurulur. Tahmin aşamasında, karar verme fonksiyonu Denk.(21)’de tahmin edilecek yeni bir örnek x* yerine konduğunda, tahmin edici değer ortaya çıkar. Değer anlamına göre örneğin hangi sınıfa ait olduğunu açıklayabiliriz.
SVDD sınıflandırma modeli ile SVM modelinin farkı kısaca ele alınacaktır. DVM modeli esas olarak iki veya daha fazla sınıfın örneklerini sınıflandırır; bunun ilkesi, iki örnek sınıfı arasında maksimum ayrımı sağlayan marj hiper düzlemini en üst düzeye çıkarmaktır. Modelin parametrelerini hesaplama süreçlerinde hem pozitif hem de negatif örnek sınıflarına ihtiyaç vardır.
Ancak SVDD modelinde, pozitif örneklerin çoğunu içeren ve aykırı değerlerin çoğunu hariç tutan optimal hiper-küre oluşturulur. Böylece model, bir örnek sınıfı veya iki örnek sınıfı tarafından çözülebilir. SVDD sınıflandırma modeli, SVM modeline göre aşağıdaki karakteristik cs ve avantajlara sahiptir.
1) DVM modelindeki destek vektörleri, hiper düzlemin marjını belirleyen öğrenme örnekleridir. SVDD modelindeki destek vektörleri, hiperkürenin sınırında yer alan örneklerdir. Hem deneyler hem de teorik analiz, ikincisinin destek vektörlerinin sayısının öncekinden daha az olduğunu göstermiştir. Dolayısıyla, SVDD modelinin hesaplama maliyetleri genellikle SVM modelinden daha küçüktür.
2) İki örnek sınıfının sayısı, DVM modelinin karar verme işlevini büyük ölçüde etkiler. Bu nedenle bazı bilim adamları, ağırlıklı DVM modelinde pozitif ve negatif numunelerin ağırlıklarını, pozitif ve negatif numune sayısının oranını kullanarak belirler.
Ancak pratik uygulamalarda pozitif ve negatif örnek sayısının oranı bilinmeyebilir. Yani oran sübjektif olarak belirlenir. Öte yandan karar verme fonksiyonu, SVDD modelinde hiperkürenin sınırında yer alan destek vektörleri tarafından çözülen hiperküre tarafından kurulur.
Pozitif ve negatif örnek sayısının oranının karar verme işlevinde daha az etkisi vardır çünkü hiper-küre bazı aşırı durumlarda yalnızca bir örnek sınıfı tarafından belirlenebilir. Bir sonraki bölümdeki simülasyon sonuçları bu avantajı göstermektedir.
3) DVM modelinde ikinci dereceden programlama problemleriyle gösterilen parametrelerin çözümünde çok zaman alan birçok matris işlemi vardır. Çalışmamızda SVDD modelinin parametrelerini çözmek için yinelemeli çarpımsal güncelleme algoritması kullanılmıştır.
Yalnızca çözme süreçleri basitleştirilmemiş, aynı zamanda bilgi işlem verimliliği de artırılmıştır. Yapay sentezlenmiş veri seti ve bankaların kıyaslama kredi veri seti üzerinde yapılan deneyler, önerilen kredi puanlama tahmin yönteminin gelişimini göstermektedir.
Deneysel Sonuçlar
Yapay veri seti ve bankaların karşılaştırmalı bireysel kredi veri seti üzerinde deneyler yapılmış ve dengesiz veri seti ile SVDD sınıflandırma modeline dayalı olarak önerilen müşteri kredi puanlama yönteminin etkinliği gösterilmektedir. Ağırlıklı LS-SVM modeli, son zamanlarda makine öğreniminde önerilen dengesiz veri kümeleri için yeni ve güçlü bir sınıflandırma modelidir.
Bu nedenle, önerilen tahmin yöntemi, dengesiz veri kümelerinden gelen aynı örnekleri kullanan ağırlıklı LS-SVM modeline dayalı yöntemle karşılaştırılmıştır. Temel olarak, farklı sayıda pozitif ve negatif örnek içeren dengesiz veri seti için önerilen yöntemin öğrenme ve tahmin etme süreçlerindeki gelişimi belirtmek istiyoruz. Önerilen yöntem ve ağırlıklı LS-SVM modeli kullanılarak öğrenme ve tahmin doğrulukları karşılaştırılmıştır.
Kümeleme ve sınıflandırma arasındaki farklar Regresyon ve sınıflandırma farkı Regresyon ve sınıflandırma teknikleri arasındaki fark Sınıflandırma algoritmaları Sınıflandırma yöntemleri Veri madenciliği sınıflandırma modelleri Veri madenciliği sınıflandırma Nedir Veri MADENCİLİĞİ sınıflandırma örnekleri