Veri̇ uzayinin bölgesel özelli̇kleri̇ni̇ kullanan teki̇l ve kolekti̇f öğreni̇ci̇ tasarimlari ve performans anali̇zleri̇

Kolektif ve Meta Öğrenme yöntemlerini temel alan çalışmamızda var olan temel öğrenicilerin yanı sıra, yeni temel öğreniciler de kullanılarak sınıflandırıcılarda performans analizi ve artırımı üzerine teorik ve pratik çalışmalar yapılmıştır. Bir veri setinde bulunan ayrık alt bölümlerin karakteristik ve meta özellikleri daha iyi bir öğrenme başarısı için analiz edilmiştir. Öncelikle bir Karar Ağacı sınıflandırıcısının performans analizi Meta Öğrenme yöntemilye detaylı bir şekilde yapılmış ve sınıflandırma başarısının ya da başarısızlığının nedenleri veri setindeki lokal geometrik karmaşıklık ölçütlerine bakılarak araştırılmıştır. Bu ölçütlerden yararlanılarak performans tahmini yapabilen geçerli ve anlamlı bir lineer regresyon modeli çıkarılabilmiştir. Ayrıca, veri setinin ayrık alt bölümleri, Uzman Karışımlarında öne sürülen yeni bir katı kümeleme yaklaşımı ile ele alınmış ve toplam sınıflandırma başarısı önerilen farklı geçiş fonksiyonlarıyla artırılmıştır. Son olarak örnek tabanlı bir öğrenicinin performansı, veri setinin lokal dağılımlarına ve özelliklerine bağlı olarak dinamik parametre seçimi yapan adaptif bir mekanizma güçlendirilmiştir. Çalışmamızda her bir test örneği için en uygun k parametresini kümeleme yöntemiyle bulan ve bu sayede genel sınıflandırma başarısını artıran bir yöntem üzerinde çalışılmış ve başarılı sonuçlar elde edilmiştir.