Sınıflandırıcı birleştirmedeki amaç örüntü tanımada daha iyi başarımlar elde
etmektir. Örüntü sınıflamada, sınıf içi ve sınıflar arası dağılımları birlikte
kullanılmasının sınıflandırma başarımını arttırması beklenmektedir. Bu çalışmada, ikisınıf problemi için sınıf içi ve sınıflar arası dağılımdan elde edilen ölçütleri bir yapay
sinir ağı mimarisi ile birleştiren yeni bir sınıflandırıcı geliştirilmiştir. Deneysel
çalışmada, yapay veriler, MNIST, TIMIT ve IRIS veri tabanları kullanılmıştır.
Geliştirilen sınıflandırıcı iki-sınıf problemi göz önüne alınarak bu veri kümelerinde test
edilmiş ve diğer alt uzay yöntemleri ve çoklu sınıflayıcılarla karşılaştırılmıştır. Doğru
tanıma yüzde başarısı olarak; yapay veriler için % 90, MNIST veri tabanı için %91.5,
TIMIT veri tabanı için %50.88, IRIS veri tabanı için %92.91 sonuçları elde edilmiştir.
Elde edilen sonuçlar değerlendirildiğinde geliştirilen sınıflandıcı birleştirme
yönteminin, yapay veri üzerinde diğer altuzay ölçütlerine göre daha başarılı olduğu
görülmüştür. MNIST veri tabanında daha iyi sonuçlar alınamamıştır. TIMIT ve IRIS
veri tabanlarında, sınıflandırma sonuçlarından beklenen iyileştirme elde edilememiştir.
Bunun nedeni kullanılan sınıflar-arası ölçütün sınıflamaya çok fazla katkısının
olmamasıdır. Yapay veriler üzerinden elde edilen sonuçlar, önerilen sınıflandırıcının
geliştirilerek gerçek sınıflandırma problemlerinde kullanılabileceğini göstermektedir
The purpose of classifier combination is to achieve better recognition rates in
pattern recognition. It is expected that successful classifiers are achieved BM using
within class and between class distributions in pattern recognition. In this thesis, a new
classifier is developed, which is used BM combining metrics that are obtained from
within_Class and between_Class distributions BM using neural network architecture.
In the experimental the work, the artifical data, MNIST, TIMIT and IRIS data base were
used for two class problem. The performance of the combined classifier was tested on
these database and compared with the other subspace methods and the other multiple
classifiers. The performance of the new combined classifier are 90 % and 85 % for
artifical data, 91.5 % for MNIST database, 50.88 % for TIMIT database, 92.91 % for
IRIS database. When the obtained results are examined, it is observed that the
developed combined method on the artifical data is much more succesfull then the other
subspace metrics. However better results could’nt obtained on MNIST database. In
many cases, it is observed that the developed method on TIMIT and IRIS databases give
better results. In combined method, the usage of between class metric must be rewieved.
