Makine öğrenmesi kullanarak seyrek doğrusal sistemler için bölüm sayısını tahmin etme

Bu tez, bilim ve mühendislikte yaygın bir problem olan seyrek doğrusal sistemleri çözmek için bir makine öğrenimi yaklaşımı önermektedir. Yöntemimiz, blok Cimmino yöntemi için gereken optimal bölümlerin sayısını tahmin etmek amacıyla makine öğrenimini kullanmaktadır. Geleneksel yöntemler genellikle deneme yanılma yöntemine veya en iyi blok sayısını belirlemek için maksimum çekirdek sayısını bölüm olarak seçmeye dayanır. Ancak, eğitimli bir makine öğrenimi modeli kullanmak bu süreci ortadan kaldırır. Bu çalışmada, iki model sunuyoruz: biri, blok Cimmino yöntemi için AUC skoru %89 olan iki bölüm sayısını, diğeri ise AUC skoru %76 olan birden fazla bölüm sayısını tahmin ediyor. Bunu, literatürde daha önce tanımlanmış özellikleri kullanarak ve bunları yeni bir bağlamda uygulayarak başarıyoruz. Modellerimizi çeşitli matris setlerini kullanarak eğittik ve test ettik, özellik seçimini de dahil ederek, yerleşik özelliklerin yeni uygulamalarda kullanılmasının etkinliğini ve modelimizin seyrek doğrusal sistemlerin bölümlenmesi zorluklarını ele almaktaki sağlamlığını gösterdik. Önerdiğimiz yöntem, geleneksel yöntemlerden önemli ölçüde daha hızlı ve daha etkilidir.