Rotasyonel orman ile biyomedikal örüntü sınıflandırma

Örüntü sınıflandırma, biyomedikalde, tanı ve teşhis aşamalarında bilim insanlarına yardımcı olmaktadır. Literatürde bu amaçla birçok sınıflandırıcı sistem tasarımı gerçekleştirilmiştir. Bu metotlardan biri de yapay sinir ağları (YSA)' dır. Ayrıca, çeşitli optimizasyon teknikleri, YSA yapısındaki ağırlık-bias değerlerinin ayarlanması ve performansın artırılması için güncelleme bölümüne entegre edilmektedir. Tez çalışmasının ilk aşamasında, YSA' daki ağırlık-bias değerlerinin güncellenmesi için, YSA güncelleme bölümü Parçacık Sürü Optimizasyonu (PSO) temelli oluşturulmuştur. Bu sayede sınıflandırma doğruluğu artırılmıştır. İkinci aşamada, içerisinde birden fazla hibrit PSO-YSA sınıflandırıcı birimi bulunduran Rotasyonel Orman (RO (hibrit PSO-YSA)) yapısının tasarımı gerçekleştirilmiştir. Böylece tek bir temel sınıflandırıcı (YSA) veya bu temel sınıflandırıcıdan daha iyi performansa sahip olan hibrit bir temel sınıflandırıcı (hibrit PSO-YSA) kullanmak yerine, RO (hibrit PSO-YSA) sınıflandırıcı topluluğunu kullanmanın daha uygun olacağı tespit edilmiştir. Bunun yanısıra hibrit yapı içerisindeki ağırlık ve bias değelerinin konum-hız sınırlamalarında, limit aralıklarının eşit alınmaması veya serbest bırakılmaması gerektiği, her bir durum için (ağırlık konum, ağırlık hız, bias konum ve bias hız limitleri) optimum sınırların tespit edilmesi gerektiği görülmüştür. Böylece, literatürdeki hibrit PSO-YSA yapılarından farklı optimize edilmiş bir ağ yapısı sunulmuştur. Tez çalışmasında sunulan yapılar (hibrit PSO-YSA ve RO (hibrit PSO-YSA)) göğüs kanseri verileri üzerinde test edilmiştir. Sonuçlar literatürde elde edilen sonuçlarla karşılaştırılarak değerlendirneler sunulmuştur.

Pattern classification helps to scientists on diagnosis and diagnostic in biomedical. For this purpose, there are lots of studies about classifier design in literature. One of these methods is the Neural Networks (NN). On the other hand, various optimization algoritms are integrated to update part of NN in order to tune the weight-bias values and in order to improve the performance of system. At the first part of thesis, update part of NN has been formed based on Particle Swarm Optimization (PSO) for adjusting the weight-bias values of NN and. Thus, classification accuracy of NN has been increased by PSO. At the second part of thesis, RF (hybrid PSO-NN), which contains multiple classification units (hybrid PSO-NN structures), has been designed. So it has been seen that usage of RF (hybrid PSO-NN) ensemble classifier is more convenient than the usage of NN and hybrid PSO-NN. Moreover, it has been seen that velocity and position boundaires of weight and bias in hybrid structure mustn't be chosen equal or mustn't be set free in space. But these boundaries (weight position, weight velocity, bias position and bias velocity boundaries) must be examined individually for finding their optimal intervals. So a new optimized network which is different from hybrid PSO-NN structures in literature has been presented. Shortly, it has been seen that interval limitations of hybrid structure must be adjusted individually in order to achieve higher classification performance. The structures presented in thesis study (hybrid PSO-NN and RF (hybrid PSO-NN)) have been tested on breast cancer dataset. The evaluation has been presented by comparing the results with others obtained in literature.