Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

DESTEK VEKTÖR MAKİNELERİ

No description
by

Doğan Özer

on 7 November 2014

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of DESTEK VEKTÖR MAKİNELERİ

Sınıflandırma
Destek Vektör Makineleri
Sınıflandırma Yöntemleri
•Destek vektör makineleri hem lineer olarak ayırt edilebilen hem de lineer olarak ayırt edilemeyen veri kümelerini sınıflandırabilir.
• Uygun bir dönüşüm ile her zaman veri bir hiper düzlem ile iki sınıfa ayrılabilir
• Hiper düzleme en yakın öğrenme verileri destek vektörleri olarak adlandırılır.
Destek Vektör Makineleri
Lineer ayrılabilen
Destek vektör makineleri;
Lineer Destek Vektör Makineleri;
Lineer Ayrılabilme Durumu,
 Lineer Ayrılamama Durumu,
Lineer Olamayan Destek Vektör Makineleri,
Çok Sınıflı Destek Vektör
Makineleri,
olarak 3'e ayrılırlar.
Destek Vektör Makineleri
•Sınıflandırma konusunda kullanılan oldukça etkili ve basit yöntemlerden birisidir.
•Sınıflandırma için bir düzlemde bulunan iki grup arasında bir sınır çizilerek bu iki grubu ayırmak mümkündür.
•Bu sınırın çizileceği yer ise iki grubun da üyelerine en uzak olan yer olmalıdır.
•İşte DVM bu sınırın nasıl çizileceğini belirler.
Destek Vektör Makineleri
Sınıflandırma
DESTEK VEKTÖR MAKİNELERİ
ERCİYES ÜNİVERSİTESİ
Sınıflandırma, benzer özellikteki
nesnelerin önceden belirlenmiş alt
gruplara atanması işlemidir.

Sınıflandırmanın temel amacı;
veriyi sadeleştirmek ve kullanıcıya
daha anlaşılır bilgiler sunabilmektir.
Veri madenciliğinde kullanılan
sınıflandırma yöntemleri şunlardır;
Karar ağaçları
Naive Bayes
k-en yakın komşuluğu
Yapay sinir ağları
Genetik algoritmalar
Random Forest
Destek vektör makineleri
Basit bir tanım yapmak gerekirse veri madenciliği, büyük ölçekli veriler arasından bilgiye ulaşma,  bilgiyi  madenleme işidir.
Bilinmeyen bilgiyi ortaya çıkarmak için çalışır. Örneğin; geçen 5 yıl boyunca şirketimiz ne kadar büyüdü sorusunun yerine, önümüzdeki 5 yıl boyunca şirketimiz ne kadar büyüyecek sorusunu cevaplar..
Peki nedir bu Veri Madenciliği ?
Lineer ayrılamayan
Elimizde iki tane sınıf var. Biz bu iki sınıfı sınıflandırmak istiyoruz. Bu iki sınıfın arasından sonsuz sayıda düzlem geçirebiliriz. DVM’nin amacı kendisine en
yakın noktalar arasındaki uzaklığı maksimuma
çıkaran hiper-düzlemi bulabilmektir.

LİNEER DESTEK VEKTÖR MAKİNELERİ
Lineer ayrılabilme durumu;
Lineer olarak ayrılabilme durumunda sınıflar ayırıcı aşırı
düzlem ile ayrılabilir. DVM, bu aşırı düzlemin örnek gruplarına eşit uzaklıkta olmasını amaçlayan bir yöntemdir. Örnekle açıklarsak;
Bu şekil üzerinde yer alan H1 ve H2 bizim en uygun aşırı düzlemlerimizdir. Yani sınıflara olan mesafesini minimum tutan, aradaki mesafeyi de maximum tutan düzlemlerdir. Bu iki aşırı düzlemin ortasından
geçen H0 ise optimal ayırma düzlemi adı verilen bir düzlemdir. Bu düzlem, en uygun aşırı düzlemlerimizin tam ortasından geçen düzlemdir.
Burada:
H0 düzlemi;


H1 düzlemi;


H2 düzlemi ise ;


tanımlanmaktadır..


W : ağırlık vektörü
b : Sabit sayı
Lineer Ayrılabilen Destek Vektör Makineleri
Lineer Ayrılabilen Destek Vektör Makineleri
Belirtilen aşırı düzlemin üst tarafında kalan noktalar
şu eşitsizliğe uymaktadır;



Benzer şekilde aşırı düzlemin alt kısmında kalan noktalarda şu eşitsizliğe uymaktadır;

Optimum aşırı düzlemi bulmak için uygun w ve b değerleri hesaplanmalıdır.
Optimum aşırı düzlem sınırını en yüksek değere ulaşabilmesi için w değerinin minimum olması gerekmektedir.
LİNEER DESTEK VEKTÖR MAKİNELERİ
Lineer ayrılamama durumu;
Bazı uydu görüntülerinin sınıflandırılmasında veri
setinin lineer olarak ayrılması mümkün
değildir. Bu durumda eğitim verilerinin bir kısmının
aşırıdüzlemin diğer tarafında kalması problemiyle
karşılaşılır.
Böyle sınıflandırmalarda yapay
bir değişken olan değişkeni
optimisazyona eklenek işlem
yapılır.
Bu durumda eşitsizlik şu hale gelir;
Bu denklemde eğer ξ = 0 ise örnek doğru sınıflandırılmıştır.
0< <1 durumunda da örnek doğru sınıflandırılmıştır.
Şayet >1 ise sınıflandırma yanlış yapılmış demektir.

ξ
Lineer Olmayan Destek Vektör Makineleri
Veriler doğrusal olarak ayrılamadığında, veriyi
orijinal girdi uzayından, daha yüksek boyuttaki
bir özellik uzayına aktarır. Bu yeni boyutta veriyi
en iyi ayıracak çoklu düzlemi araştırır.
Destek Vektör Makineleri Kernel fonksiyonlarıyla çözülmektedir. Kernel Fonksiyonları; doğrusal olmayan dönüşümler yapabilmekte ve yüksek boyutta doğrusal olarak ayrımına imkan vermektedir.En çok kullanılan Kernel fonksiyonları şunlardır;
Çok Sınıflı Destek Vektör Makineleri
Buraya kadar bahsedilen konular, sınıf sayısının 2 olması durumunda geçerli olan işlem adımlarıydı. Sınıf sayısının 2'den fazla olması durumunda farklı yaklaşımlar söz konusudur.
Destek Vektör Makineleri’nde çok sınıf probleminin çözümü için 2 yöntem kullanılmaktadır;


1-)
Lagrange fonksiyonunun çok sınıfla işlem yapabilecek hale getirilmesidir. Yalnız bu yöntem, sınıf sayısının artması ile hata miktarının da artması nedeniyle tercih edilen bir yöntem değildir.

2-)
Destek vektör makinesinin ikili sınıflar halinde sınıflandırmalar yapacak biçimde çalıştırılmasını sağlamaktır. Bu yaklaşımda bire karşı bir, bire karşı hepsi ve döngüsel olmayan graf gibi farklı yöntemler kullanılmaktadır.
- Bire karşı bir yaklaşımında her örnek veri seti, diğer örnek veri setleri ile ayrı ayrı eğitilir.
- Bire karşı hepsi yönteminde, her bir örnek veri seti bir sınıf, geriye kalan sınıfların tamamı bir sınıf olarak kabul edilir ve eğitim bu şekilde yapılır.
Döngüsel olmayan graf yöntemi ise bire karşı bir yöntemiyle aynıdır. Eğitim bire karşı bir yöntemine göre yapılır, fakat test aşamasında eğitim örnekleri kontrol edilmek yerine, sınıflandırılacak elemanın ait olmadığı düşünülen sınıflar elenerek işlem yapılır.
Dinlediğiniz için teşekkürler..
1-) Doğan ÖZER
2-) Munise DURAN
3-) Özge İNAN
4-) Neşe BAŞARAN
5-) Sena YEŞİL
6-) Ayşe Dudu ATASOY
Çok Sınıflı Destek Vektör Makineleri
Çok Sınıflı Destek Vektör Makineleri
Lineer Olmayan Destek Vektör Makineleri
Lineer ayrılamama durumu;
Lineer Ayrılabilen Destek Vektör Makineleri
Lineer Ayrılabilen Destek Vektör Makineleri
Destek Vektör Makineleri
DVM’NİN KULLANILDIĞI ÇALIŞMALAR

Mühendislik Öğrencilerinin Matematik I Derslerindeki Başarısının Destek Vektör Makineleri Kullanılarak Tahmin Edilmesi;


2007 yılında Pamukkale Üniversitesi mühendislik fakültesine başlayan 434 öğrencinin üniversiteye giriş sınavı sonuçlarına ait verilerin kullanıldığı araştırma sonuçlarına göre; öğrencilerin matematik, fen bilimleri, Türkçe testlerinin sonuçları ile lise mezuniyet başarı puanlarının, matematik I dersindeki başarılarını tahminde önemli rol oynadığı bulunmuştur. 289 öğrencinin verisi ile makine eğitilmiş, 145 öğrencinin verisi ise test için kullanılmış ve matematik I dersinden geçen öğrencilerin % 86’sı doğru olarak tahmin edilmiştir
DVM’NİN KULLANILDIĞI ÇALIŞMALAR
Tıbbi Tahminde Alternatif Bir Yaklaşım;

Tıpta DVM özellikle, kanser morfolojisinde, tedavi başarısının ve ilgili genin belirlenmesinde, çeşitli hastalıkların teşhisinde kullanılmaktadır.

Destek Vektör Makinesi Yöntemi ile Yüz Güzelliği Kararı;
Oluşturulan sistemde, ilk olarak veritabanındaki bayanresimleri, anket metoduna dayanılarak, güzel ve güzel olmayan olmak üzere iki sınıfa ayrılmıştır. ayırt edici özellikler baz alınarak, DestekVektör Makineleri ile, verilen bir yüz resminin güzel olup olmadığına karar verilmiştir. Güzellik göreceli bir kavram olduğu için, sistemin başarısı,50 kişinin görüşüne başvurarak hesaplanmıştır. Sistemin kararları ve insanların kararlarının %85 oranında örtüştüğü görülmüştür.
Full transcript