Yazar "Ekiz, Simge" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim
    Öğe
    Comparative Study of Heart Disease Classification
    (Ieee, 2017) Ekiz, Simge; Erdoğmuş, Pakize
    The aim of this paper is to compare two important machine learning platform results for the same dataset. With this aim, we conducted an experiment to classify heart disease both in Matlab(C) environment and WEKA(C), by using six different algorithms. Linear SVM, Quadratic SVM, Cubic SVM, Medium Gaussian SVM, Decision Tree and Ensemble Subspace Discriminant machine learning approaches are used for classifying the heart disease.
  • Küçük Resim
    Öğe
    Doğrusal Olmayan Regresyon Parametrelerinin Sezgisel Yöntemlerle Tahmini
    (2017) Erdoğmuş, Pakize; Ekiz, Simge
    Gerçek dünyadaki deneysel olarak elde edilen veriler ve sinyallerin matematiksel modelleri her zaman kesin ve belirli değildir. Sinyal işlemede ve diğer deneysel çalışmalarda veriler için bir matematiksel model elde etmek ve bu matematiksel modelin parametrelerinin tahmini önemli bir konudur. Bu çalışmada üç farklı veri seti ve bu veri setleri için literatürde önerilen beş farklı modelin parametreleri doğrusal olmayan regresyon metodları ve sezgisel arama algoritmaları ile tespit edilmeye çalışılmıştır. Doğrusal olmayan regresyon metodlarının en büyük dezavantajı yakınsamalarının parametrelerin ilk tahminlerine bağlı olmasıdır. Oysa bu çalışmada kullanılan sezgisel algoritmaların en iyi sonuca yakınsamaları başlangıç değerlerinden bağımsızdır. Bu amaçla iki tür test yapılmıştır. Birinci testte veri setleri ve her veri seti için önerilen modellere gerçek değerlerine yakın ilk değerler atanmış ve modeller hem klasik hemde sezgisel algoritmalar ile optimize edilmeye çalışılmıştır. Sezgisel agoritmalardan Genetic Algoritma(GA) ve Parçacık Sürü Optimizasyonu(PSO) algoritmaları ile elde edilen sonuçlar, klasik algoritmalar ile karşılaştırılmıştır. Birinci testte hem klasik yöntemler hemde sezgisel yöntemler model parametrelerini tahmin etmişlerdir. İkinci testte ise modellerin ilk değerleri gerçek değerlerden uzak seçilmiştir. Bu testte sezgisel algoritmalar daha başarılı sonuçlar vermiştir. Doğrusal olmayan regresyon analizinde kullanılan klasik algoritma sonuçları gerçek parametre değerine tüm çözümlerde yakınsayamamıştır. Yapılan analizler sonucunda model parametrelerinin ik değerleri hakkında bir bilgi olmadığı durumlarda sezgisel yöntemlerin doğrusal olmayan regresyon analizinde iyi bir alternatif olacağı görülmüştür
  • Küçük Resim
    Öğe
    Solving constrained optimization problems with sine-cosine algorithm
    (International University of Sarajevo, 2017) Ekiz, Simge; Erdoğmuş, Pakize; Özgür, Büşra
    Optimization algorithms aim to find the optimum values that give the maximum or minimum result of a function under given circumstance. There are many approaches to solve optimization problems. Stochastic population-based optimization approaches tend to give the best results in a reasonable time. Two of the state-of-art stochastic optimization algorithms are Genetic Algorithms (GA) and Particle Swarm Optimization (PSO). In addition, Sine-Cosine Algorithm is one of the recently developed stochastic population-based optimization algorithms. It is claimed that Sine-Cosine has a higher speed than the counterparts of it. Moreover, Sine-Cosine Algorithm occasionally outperforms other optimization algorithms including GA and PSO. This algorithm is successful because it can balance exploration and exploitation smoothly. In the previous studies, the above-mentioned algorithms were evaluated and compared to each other for the unconstrained optimization test functions. But there is no study on constrained optimization test problems. In this study, we aim to show the performance of Sine-Cosine Algorithm on constrained optimization problems. In order to achieve this, we are going to compare the performances by using well-known constrained test functions.