Çok değişkenli öğrenmede çok hedefli yaklaşımlar

Çok hedefli veri kümeleri (ÇHVK), birkaç değişkenin eş zamanlı olarak tahminini gerektirir. Bu tip veri kümeleri birden fazla değişken için tahmin gerektirmesinden ötürü tek hedefli veri kümelerine kıyasla daha zorlayıcı olarak kabul edilirler. ÇHVK için olan öğrenme uygulamaları birtakım problemlerin ele alınmasını gerektirmektedir. Örneğin, hedeflerde ölçek tutarsızlıklarına yaygın olarak rastlanmaktadır. Genellikle bu durum dönüştürme işlemleriyle çözülmektedir ancak bu işlemler veri kümesinin istatistiksel özelliklerini değiştirebilmektedir. Özelliklerde gözlenen ölçek tutarsızlıkları, yarı denetimli öğrenme (YDÖ) uygulamalarında mesafeye dayalı hesaplamalara ihtiyaç duyulduğundan sorunlara neden olmaktadır. ÇHVK ilgili olarak ele alınması gereken bir başka konu da, hedefler arası ilişkileri öğrenme uygulamalarına dahil etmenin alternatif yollarını bulmaktır. Bu tez çalışmasında, yukarıda belirtilen konuları ele almak için denetimli öğrenme (DÖ), YDÖ ve özellik sıralama (ÖS) modelleri geliştirdim. Çok amaçlı en iyileme kavramlarından yararlanarak, işlenen değişkenlerin türüne karşı dayanıklı ve aynı zamanda hedefler arası ilişkilerden yararlanan öğrenme stratejileri önerdim. DÖ için, standart karar ağaçlarının çok amaçlı bir uzantısını ve seçici bir sınıflandırıcı zincir stratejisi önerdim. Önerilen modellerin kıyas modellerden daha iyi performans gösterdiğini deneylerle gösterdim. Ek olarak, çok amaçlı karar ağaçlarının, değişkenlerin etiket bilgisinin kısıtlı olduğu durumlarda daha iyi bir tahmin performansı göstermesini sağlayabilecek bir YDÖ modeli önerilmiştir. Yapılan deneylerle önerilen bu modelin kıyas modellerden daha iyi sonuç verdiği gösterilmiştir. Ayrıca, özelliklerde gözlenen yüksek boyutluluk ve ilgisizlik durumlarına karşın YD ağaçlara entegre edilmiş bir ÖS prosedürü geliştirilmiştir. Önerilen ÖS prosedürünün, kıyas yöntemlere göre tahmin performansını daha çok iyileştirdiği uygulamalarla gösterilmiştir.