Özellik Çıkarma Yöntemlerin Karşılaştırılması

Çalışmanın bu bölümünde incelenen veri setleri için özellik çıkarma yöntemleri LLE, TBA, ISOMAP ve SMACOF yöntemlerinin karesel diskriminant analizindeki sınıflama performansları doğru sınıflandırma olasılığı, entropy ve kappa katsayısına göre karşılaştırılmıştır.

Arcene veri seti için bileşen sayısına göre özellik çıkarma yöntemleri LLE, TBA, ISOMAP ve SMACOF yöntemlerinin karesel diskriminant analizindeki sınıflama performanslarının grafiksel karşılaştırması Şekil 4.11’de verilmiştir.

Şekil 4.11. Özellik çıkarma yöntemlerinin sınıflandırma performansları (Arcene)

Şekil 4.11 incelendiğinde Arcene veri setinde doğru sınıflandırma olasılık değerlerine göre SMACOF algoritması diğer özellik çıkarma yöntemlerinden daha

başarılı olduğu görülmektedir. Entropy kriterine göre özellikle ilk 15 birleşen sayısı için LLE yönteminin daha başarılı sonuçlar verdiği belirlenmiştir. Arcene veri seti için doğru sınıflandırma olasılığı ve kappa katsayısı kriterlerinin sonuçları benzerdir.

Breast veri seti için bileşen sayısına göre özellik çıkarma yöntemleri LLE, TBA, ISOMAP ve SMACOF yöntemlerinin karesel diskiriminant analizindeki sınıflama performanslarının grafiksel karşılaştırması Şekil 4.12’de verilmiştir.

Şekil 4.12. Özellik çıkarma yöntemlerinin sınıflandırma performansları (Breast)

Şekil 4.12 incelendiğinde Breast veri setinde doğru sınıflandırma olasılık değerlerine göre LLE ve TBA yöntemlerinin diğer özellik çıkarma yöntemlerinden daha başarılı olduğu görülmektedir. Entropy kriterine göre LLE yönteminin daha başarılı

sonuçlar verdiği belirlenmiştir. Breast veri setinde SMACOF yöntemi tüm karşılaştırma kriterlerine göre diğer yöntemlere göre daha başarısız olmuştur.

Chowdary veri seti için bileşen sayısına göre özellik çıkarma yöntemlerinin karesel diskiriminant analizindeki sınıflama performanslarının grafiksel karşılaştırması Şekil 4.13’de verilmiştir.

Şekil 4.13. Özellik çıkarma yöntemlerinin sınıflandırma performansları (Chowdary)

Şekil 4.13 incelendiğinde Chowdary veri setinde doğru sınıflandırma olasılığı ve kappa istatistiğine göre LLE yönteminin daha başarılı olduğu görülmektedir. Entropy kriterine göre TBA yönteminin daha başarılı sonuçlar verdiği belirlenmiştir. Breast veri

setinde SMACOF yöntemi tüm karşılaştırma kriterlerine göre diğer yöntemlere göre daha az başarılı olmuştur.

Elma veri seti için bileşen sayısına göre özellik çıkarma yöntemlerinin karesel diskiriminant analizindeki sınıflama performanslarının grafiksel karşılaştırması Şekil 4.14’de verilmiştir.

Şekil 4.14. Özellik çıkarma yöntemlerinin sınıflandırma performansları (Elma)

Şekil 4.14 incelendiğinde Elma veri setinde ele alınan karşılaştırma kriterlerine göre yöntemlerin performanslarının birbirine çok yakın olduğu görülmüştür. Entropy kriterine göre ilk 5 bileşen için boyut indirgemede TBA yöntemi daha başarılı olmuştur.

Kiraz veri seti için bileşen sayısına göre özellik çıkarma yöntemlerinin karesel diskiriminant analizindeki sınıflama performanslarının grafiksel karşılaştırması Şekil 4.15’de verilmiştir.

Şekil 4.15. Özellik çıkarma yöntemlerinin sınıflandırma performansları (Kiraz)

Şekil 4.15 incelendiğinde Kiraz veri setinde karşılaştırma kriterlerine göre bileşen sayısının 4 ve üzeri olduğu durumlarda TBA yönteminin diğer özellik çıkarma yöntemlerine göre daha başarılı olduğu görülmüştür.

Phoneme veri seti için bileşen sayısına göre özellik çıkarma yöntemlerinin karesel diskiriminant analizindeki sınıflama performanslarının grafiksel karşılaştırması Şekil 4.16’de verilmiştir.

Şekil 4.16. Özellik çıkarma yöntemlerinin sınıflandırma performansları (Phoneme)

Şekil 4.16 incelendiğinde Phoneme veri setinde karşılaştırma kriterlerine göre LLE, TBA ve ISOMAP yöntemlerinin sınıflama performanslarının birbirine yakın olduğu görülmüştür. Phoneme veri setinde doğru sınıflandırma olasılığına göre TBA yöntemi, entropy kriterine göre de LLE yöntemi diğer yöntemlere göre daha başarılı olmuştur.

Prostate veri seti için bileşen sayısına göre özellik çıkarma yöntemlerinin karesel diskiriminant analizindeki sınıflama performanslarının grafiksel karşılaştırması Şekil 4.17’de verilmiştir.

Şekil 4.17. Özellik çıkarma yöntemlerinin sınıflandırma performansları (Prostate)

Şekil 4.17 incelendiğinde Prostate veri setinde tüm karşılaştırma kriterlerine göre ISOMAP yöntemi boyut indirgemede diğer yöntemlere göre daha başarılı olmuştur.

Şeftali veri seti için bileşen sayısına göre özellik çıkarma yöntemlerinin karesel diskiriminant analizindeki sınıflama performanslarının grafiksel karşılaştırması Şekil 4.18’de verilmiştir.

Şekil 4.18. Özellik çıkarma yöntemlerinin sınıflandırma performansları (Şeftali)

Şekil 4.18 incelendiğinde Şeftali veri setinde doğru sınıflandırma olasılığı ve kappa istatistiği kriterlerine göre TBA yönteminin boyut indirgemedeki sınıflama performansı diğer yöntemlere göre daha başarılı olmuştur. Entropy kriterine genel olarak LLE ve TBA yöntemleri diğer yöntemlere göre daha başarılı olmuştur.

Şeftali Bahçe veri seti için bileşen sayısına göre özellik çıkarma yöntemlerinin karesel diskriminant analizindeki sınıflama performanslarının grafiksel karşılaştırması Şekil 4.19’da verilmiştir.

Şekil 4.19. Özellik çıkarma yöntemlerinin sınıflandırma performansları (Şeftali Bahçe)

Şekil 4.19 incelendiğinde Şeftali Bahçe veri setinde tüm karşılaştırma kriterlerine göre LLE, TBA ve ISOMAP yöntemleri SMACOF yöntemine göre daha başarılı olmuşlardır.

Şekerpancarı veri seti için bileşen sayısına göre özellik çıkarma yöntemlerinin karesel diskiriminant analizindeki sınıflama performanslarının grafiksel karşılaştırması Şekil 4.20’de verilmiştir.

Şekil 4.20. Özellik çıkarma yöntemlerinin sınıflandırma performansları (Şekerpancarı)

Şekil 4.20 incelendiğinde Şekerpancarı veri setinde doğru sınıflandırma olasılığı ve kappa istatistiği kriterlerine göre genel olarak LLE yönteminin sınıflama performansının diğer özellik çıkarma yöntemlerine göre daha iyi olduğu görülmüştür. Entropy kriterine göre bileşen sayısının 7 ve üzeri olduğu durumlarda SMACOF yöntemi diğer özellik çıkarma yöntemlerine göre daha başarılı olmuştur.

Genel olarak değerlendirildiğinde boyut indirgeme işleminde özellik çıkarma yöntemlerinin sınıflama performansı bakımından oldukça başarılı olduğu gözlemlenmiştir. İncelenen dört özellik çıkarma yöntemi arasında TBA ve LLA yöntemleri diğer yöntemlere göre daha başarılı olmuştur.

4.6. Özellik Seçim ve Özellik Çıkarma Yöntemlerinin Birlikte Kullanımının