A Study on Support Vector Machine and Kernel Functions

Abstract

Bu tez çalışmasında on adet farklı veri seti üzerinde Destek vektör makineleri ve çekirdek fonksiyonları olan Lineer çekirdek, Polinom çekirdek, Radial Basis, Sigmoid çekirdek ve Pearson VII işlevsel çekirdek fonksiyonları ile sınıflandırma işlemi yapılarak performans ölçütleri açıklanmıştır. İlk olarak sınıflandırma performansını etkileyen ceza parametresi olarak geçen C parametresi her bir çekirdek fonksiyonu için deneme yapılma yöntemi ile belirlenmiştir. Ardından doğruluk değeri, Kappa istatistik değeri ve ROC eğrisi altında kalan alan (AUC değeri) hesaplanarak sınıflar arasındaki uyum ve modelin başarı ölçütleri hesaplanmıştır. Tüm bu işlemlerden sonra çekirdek fonksiyonları arasındaki sınıflandırma başarısı değerlendirilmiş en yüksek başarı oranı olarak Lineer çekirdek ve Pearson VII işlevsel çekirdek fonksiyonu ile elde edildiği tespit edilmiştir.

In this thesis, performance criteria are explained by classifying ten different data sets with Support vector machines and kernel functions such as Linear kernel, Polynomial kernel, Radial Basis, Sigmoid kernel and Pearson VII functional kernel functions. Firstly, the C parameter, which is the penalty parameter that affects the classification performance, was determined by the trial method for each kernel function. Then, the accuracy value, Kappa statistical value and the area under the ROC curve (AUC value) were calculated, and the fit between the classes and the success criteria of the model were calculated. After all these processes, the classification success among the kernel functions was evaluated and it was determined that the highest success rate was obtained with the Linear kernel and Pearson VII functional kernel function.