Gözetimli öğrenme algoritmaları için yeni bir kategorik zaman serileri veri uyarlamalı temsili gösterimi

Makine öğrenimi alanında yapılan çalışmaların çoğu zamana bağlı olarak sıralı gerçekleşen süreçlere odaklanmaktadır. Bu çalışmaların amaçları sınıflandırma, kestirim, kümeleme ya da segmentasyon olabilir. Zaman serileri yüksek boyutluluğa sahip veri setlerine sahip olabileceğinden belirtilen çalışma amaçları için, zaman serilerin daha az boyutlu bir temsili gösterimine ihtiyaç vardır. Literatürde öne çıkan temsili gösterim tipleri olasılık bazlı ve veri uyarlamalı olarak ikiye ayrılmıştır. Bu tezin amacı ise gözetimli öğrenme algoritmalarını uygulayabilmek için tasarlanmış yeni bir veri uyarlamalı temsili gösterim biçimidir. Önerilen metot, SW-RF (Kayan Pencereler ve ¨ Rastgele Orman Algoritması) kategorik zaman serilerinde anlamlı bir temsili gÖsterime ulaşabilmek adına iki temel adımın uygulanmasını gerektirir. İlk temsili gösterim, mevcut zaman serisi dizisine önceden belirlenmiş bir pencere boyutu ile kayan pencereler algoritması uygulanması ile elde edilir. Kayan pencereler algoritması ile elde edilen bu basit temsili gösterime ait alt diziler bir karar ağacı sınıflandırma algoritması ile eğitildikten sonra, her bir zaman serisi dizisine ait alt dizilerin karar ağacının uç düğümlerinde görülme sıklığına bağlı olarak bir numerik vektör elde edilir ve elde edilen bu vektör nihai temsili gösterimdir. SW-RF algoritması değişken uzunlukta ya da eksik veri bulunduran kategorik dizileri ele alabilir ve dizideki sembol sayısı arttığında dahi efektif bir performans gösterir. SW-RF algoritmasının doğruluk oranı literatürde çok yaygın olarak kullanılan temsili gösterim metotlarından olan Saklı Markov modeli ve k-mers metotlarıyla kıyaslanmıştır. Yapılan deney sonuçlarına göre SW-RF algoritmasının yaratılan sentetik veri setinde ve DNA promotör dizilimlerinde doğru sınıflandırma oranlarında ciddi iyileştirmeler sağladığı görülmüştür.