Seçilmemiş veri örnekleri sorunu için uygulanabilir bir boyut azaltma algoritmasının geliştirilmesi

Boyut Azaltma, zaman karmaşıklığı ve depolama sorunları için önemli avantajlar sunar. Geleneksel Manifold Öğrenme ise özellik çıkarma için başarısı kanıtlanmış önemli bir Boyut Azaltma çalışma alanı olmakla beraber Seçilmemiş Veri Örnekleri Sorunu için uygulanabilir olmadığından hızlı ve pratik çalışamamaktadırlar. Literatürde sonradan Manifold Öğrenme tabanlı Seçilmemiş Veri Örnekleri için uygulanabilir doğrusal yöntemler sunulmuştur. Çalışmada hem Seçilmemiş Veri Örnekleri Sorunu için uygulanabilir hem de özellik öğrenme kabiliyeti rakiplerinden daha üstün Doğrusal Manifold Öğrenme tabanlı bir Boyut Azaltma yönteminin geliştirilmesi ve etkinliğinin gösterilmesi amaçlanmıştır. Önerilen yöntem, veriler arasındaki saçılım bilgisini denetimli bir yolla katsayılandırıp ağırlık matrisi oluşturmak için gereken özel bir fonksiyona vermektedir. Bu yöntem Konum Koruyan Dönüşüm ve Ortogonal Konum Koruyan Dönüşüm algoritmalarına uygulanmıştır. Deneyler Seçilmemiş Veri Örnekleri Sorunu için uygulanabilir olan Konum Koruyan Dönüşüm, Ortogonal Konum Koruyan Dönüşüm, Komşuluk Koruyan Gömüleme, ve Ortogonal Komşuluk Koruyan Gömüleme algoritmaları üzerinde karşılaştırmalı olarak gerçekleştirilmiştir. Yüz tanıma ve hiperspektral görüntüleme alanlarına ait deneylerden elde edilen bulgularda önerilen yöntemin rakiplerine oranla daha üstün sınıflandırma doğruluk performansı gösterdiği görülmüştür. Ayrıca elde edilen ağırlık matrisleri, saçılım grafikleri, bant grafikleri, korelasyon matrisleri ve anlamlılık matrislerindeki değişimler sınıflar arasındaki ayırt edicilik bilgisinin daha iyi seviyeye geldiğini göstermiştir. Sonuç olarak, rakiplerine oranla daha üstün özellik öğrenme kapasitesine sahip Seçilmemiş Veri Örnekleri Sorunu için uygulanabilir bir Boyut Azaltma yöntemi sunulmuş ve bu yöntemin etkinliği hem yüz tanıma hem de hiperspektral görüntüleme alanlarında kanıtlanmıştır.