Please use this identifier to cite or link to this item: http://hdl.handle.net/11607/2806
Title: Aşamalı ve aşamalı olmayan bulanık modellerin sınıflandırma performanslarının karşılaştırılması
Other Titles: The comparison of classification performances of hierarchical and non-hierarchical fuzzy models
Authors: Kurt Ömürlü, İmran
Cantaş, Fulden
TR47625
TR15671
Adnan Menderes Üniversitesi, Tıp Fakültesi, Biyoistatistik Anabilim Dalı
Keywords: Aşamalı Bulanık Model
Aşamalı Olmayan Bulanık Model
Sınıflandırma
Simülasyon
Hierarchical Fuzzy Model
Non-Hierarchical Fuzzy Model
Classification
Simulation
Issue Date: 28-Jul-2016
Publisher: Adnan Menderes Üniversitesi Sağlık Bilimleri Enstitüsü
Abstract: Bu çalışmada, simülasyon verisi ve gerçek veri seti ile farklı üyelik fonksiyonları kullanılarak aşamalı ve aşamalı olmayan bulanık modellerin sınıflandırma performanslarının karşılaştırılması hedeflendi. Çalışmanın uygulama basamağında MATLAB yazılım programı kullanılarak simülasyon uygulaması için algoritmalar oluşturuldu. Hem bu algoritmalar yardımıyla türetilmiş veri setleri hem de gerçek bir veri seti kullanılarak oluşturulan aşamalı ve aşamalı olmayan bulanık modellerin sınıflandırılma performansları; duyarlılık, özgüllük, doğruluk yüzdeleri ve HKOK kriterlerine göre karşılaştırıldı. Simülasyon uygulaması sonunda aşamalı olmayan bulanık modellerin duyarlılık, özgüllük ve doğruluk yüzdelerinin aşamalı bulanık modellerden daha yüksek; HKOK değerlerinin ise daha düşük olduğu belirlendi. Kural tabanının ise aşamalı bulanık modelde aşamalı olmayan bulanık modellere göre daha geniş olduğu görüldü. En iyi sonuç veren üyelik fonksiyonlarının ise üçgen ve çan üyelik fonksiyonları olduğu sonucuna ulaşıldı. Gerçek uygulamada da simülasyon sonuçlarına paralel olarak farklı üyelik fonksiyonları ile oluşturulan aşamalı olmayan bulanık modellerin aşamalı bulanık modellere göre duyarlılık, özgüllük, doğruluk yüzdelerinin daha yüksek, HKOK değerlerinin ise daha düşük olduğu belirlendi. Sınıflandırma bakımından en iyi sonuç veren modellerin Gauss ya da yamuk üyelik fonksiyonu ile oluşturulduğu sonucuna ulaşıldı. Sonuç olarak aşamalı olmayan bulanık mantık yöntemi, aşamalı bulanık mantık yöntemine göre daha iyi sınıflandırma yapmaktadır. Verinin yapısı, değişkenlerin dağılımı, birbiri ile ilişkisi, bulanıklaştırma adımında değişkenlerin alt kategorilere nasıl ayrılacağı ve hangi yöntemin kullanılacağı hususlarının ayrıntılı irdelenmesi gerektiği için mutlaka konuyla ilgili bilgi ve tecrübeye sahip uzman desteği alınmalıdır.
In this study, it is aimed to compare classification performances of hierarchical and non-hierarchical fuzzy models by using different membership functions on simulation and real data sets. In the application step of the study, algorithms are created by using MATLAB software for simulation practice. Classification performances of the hierarchical and non-hierarchical fuzzy models created using both data sets generated by means of these algorithms and real data set are compared according to sensitivity, specificity, accuracy and root mean square error (RMSE) criteria. In the end of simulation practices, it is determined that sensitivity, specificity and accuracy of the non-hierarchical models are higher; RMSE of the non-hierarchical models are lower than hierarchical fuzzy models. However, it is found that the rule base of hierarchical fuzzy models are larger than that in non-hierarchical models. Also, it is determined that the membership functions that give the best result are triangular and bell. In the real data set application - similar to simulation results - it is found that the specificity, accuracy of the non-hierarchical models built by different membership functions are higher, RMSE of the non-hierarchical models are lower than the hierarchical models. It is stated that models that give the best classification results are built by Gauss or bell membership functions. Consequently; non-hierarchical fuzzy logic technique give better classification performance than hierarchical fuzzy logic technique. Consequently; non-hierarchical fuzzy models classify better than hierarchical fuzzy models. Since structure of the data, distribution of variables and correlation between them, how to seperate variables into sub-categories in fuzzification step and which method to use are to be studied on in detail, experienced expert help should be taken.
URI: http://hdl.handle.net/11607/2806
Appears in Collections:Yüksek Lisans

Files in This Item:
File Description SizeFormat 
tez (ciltlenen).docxYüksek Lisans Tezi5.35 MBMicrosoft Word XMLView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.