Sınıflandırma günümüzde örüntü tanıma, yapay zeka, istatistik, kavramsal psikoloji,
görüntü analizi, tıp ve robotik gibi bir çok bilim, endüstri, ticari ve askeri alanlarda
kullanılan önemli tekniklerinden biridir. Son yıllarda sınıflandırma problemlerini çözmek
için bir çok yöntem önerilmektedir. Bu problemler için çeşitli matematiksel yaklaşımlar
kullanılmaktadır. Literatürde, Bayes Sınıflandırma, En Yakın Komşu, Karar Ağaçları,
Destek Vektör Makineleri ve Yapay Sinir Ağları en çok kullanılan yöntemlerden bazılarıdır.
Bu tez çalışmasında, çok yüzlü konik fonksiyonları temel alınarak daha geliştirilmiş
yöntem elde edilmiştir. Çok yüzlü konik sınıflandırıcı ile daha gürbüz sonuçlar elde etme
amacıyla koni tepe noktası tahmini yapılmıştır. Literatürde kullanılan çok yüzlü konik
sınıflandırıcılarda koni tepe noktası pozitif verilerin ortalaması olarak alınmaktadır. Bu tez
çalışmasında geliştirilen koni tepe noktası tahmin yöntemi için bir çok optimizasyon işlemi
ile koni tepe noktası tahmin algoritması oluşturulmuştur. Çok yüzlü konik sınıflandırıcılar,
genişletilmiş çok yüzlü konik sınıflandırıcılar ve Destek Vektör Makineleri gibi
sınıflandırıcılar ile geliştirilen koni tepe noktası tahmin yöntemi karşılaştırılmıştır. Bu
karşılaştırma için UCI Machine Learning Repository’deki çeşitli gerçek veri tabanları
kullanılmıştır. Ayrıca sentetik bir veri kümesi oluşturulmuştur. Bu veri kümesi için pozitif
verilerin ortalamasını kullanan çok yüzlü konik sınıflandırıcı yöntemi ile koni tepe noktası
tahmin algoritması karşılaştırılmıştır. Gerçek ve sentetik veri kümeleri üzerinde yapılan
deney sonuçları sunulan yaklaşımın veri sınıflandırma problemlerinin çözümünde etkili
sonuçlar verdiğini göstermektedir.
Nowadays, classification is one of the most important techniques used in science,
industry, commercial and military fields such as pattern recognition, artificial intelligence,
statistics, cognitive psychology, image analysis, medicine and robotics . In recent years,
many methods are recommended for solving classification problems. Various mathematical
approaches are being used for these problems. In literature, the most used methods are
Bayesian Classification, Nearest Neighbor, Decision Trees, Support Vector Machines and
Artificial Neural Networks.
In this thesis study, a more improved method is obtained based on polyhedral conic
functions. For obtaining more robust polyhedral conic classifiers, cone vertex is estimated
by using optimization techniques. In literature, cone vertex of polyhedral conic classifiers
is taken as the mean of positive data. In this study, many optimization procedures are used
in order to determine cone vertex optimally. The proposed algorithm has been compared
with some classifiers such as classic polyhedral conic classifiers, extended polyhedral conic
classifiers and Support Vector Machines. For comparison, these specified classifier methods
have been applied to various real databases in UCI Machine Learning Repository. Also, a
synthetic data set was created in order to compare the cone vertex estimation algorithm with
the method of determining the polyhedral conic structure by using average of positive data.
Experimental results on real and synthetic data sets show that the proposed approach has
effective results in solving data classification problems.
