Examining Optimal Criterion Weights in Mixed Integer Programming Approaches to the Multiple-group Classification Problem

Pavur, Robert; Loucopoulos, Constantine

doi:10.1038/sj/jors/0460506

Cited by 3 publications

(3 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Another approach they suggested is to convert the classification problem to h 2 ¼ hðhÀ1Þ 2 distinct two-group problems (where h number of groups) where each problem is solved separately. This is because the method may classify a unit into h different groups by the h pairwise discriminate functions, as pointed out by Pavur and Loucopoulos [15] and Loucopoulos and Pavur [16]. Lam and Moy [17] expanded the two-group classification model that is developed by Lam et al [6] to a multi-group classification model.…”

Section: Mathematical Programming Formulations For Multi-group Classimentioning

confidence: 94%

A new mathematical programming approach to multi-group classification problems

Bal

Örkçü

2011

Computers & Operations Research

View full text Add to dashboard Cite

Section: Mathematical Programming Formulations For Multi-group Classimentioning

confidence: 94%

A new mathematical programming approach to multi-group classification problems

Bal

Örkçü

2011

Computers & Operations Research

View full text Add to dashboard Cite

“…Ayrıca doğrusal programlama modelinin genişletilmesiyle karma tam sayılı modellerde kullanılmaya başlamıştır. Bu yöntemlerde örneğin yanlış veya doğru sınıflandırıldığını göstermek için iki değerli tam sayı değişkenleri kullanılır [50][51][52]. Daha yakın tarihlerde DEA-DA olarak adlandırılan iki gruplu ve çok gruplu parametrik olmayan diskriminant analizi yaklaşımları da önerilmiştir [49,53,54].…”

Section: Destek Vektör Regresyon (Supportunclassified

Epileptik Nöbet Tespiti İçin Destek Regresyon Temelli Yeni Bir Sınıflandırma Yaklaşımı

KINACI

Bal

Kınacı³

2024

Politeknik Dergisi

View full text Add to dashboard Cite

Sınıflandırma problemi araştırmacılar tarafından uzun zamandır incelenen bir konu olmasına rağmen güncelliğini hala korumaktadır. Özellikle görüntü işleme ve hastalık tanısının belirlenmesi problemleri güncel uygulama alanlarından bazılardır. Bu çalışma destek vektör regresyon ve matematiksel programlamaya dayalı yeni bir veri sınıflandırma yöntemi sunmaktadır. Önerilen yöntem iki aşamalı hibrit bir yapıdan oluşmaktadır. İlk aşamada, destek vektör regresyon denklemi ile her bir birim için sınıflandırma skoru elde edilirken ikinci aşamada ise birimlerin sınıflandırma skorları kullanılarak bir matematiksel model yardımıyla sınıflandırma kuralı oluşturulur ve birimlerin sınıflandırılması sağlanır. Önerilen yöntem geleneksel yöntemlere alternatif bir yenilik sunmaktadır. Geleneksel matematiksel programlamaya dayalı yöntemler sınıfları doğrusal bir fonksiyon ile ayırır. Bu durum ise matematiksel programlamaya dayalı algoritmalarının kullanımını kısıtlar. Önerilen yöntem, doğrusal veya doğrusal ayrılamayan veri yapılarının tamamında kullanılabilir olmasının yanı sıra ikiden fazla grup sayısının olduğu problem türlerine de kolaylıkla dönüştürülebilmektedir. Model önce simülasyon ile irdelenmiş sonrasında Elektroensefalograf (EEG) sinyallerinin sınıflandırılması probleminde uygulanmış ve sınıflandırma performansı mevcut yöntemlerle karşılaştırılmıştır. Elde edilen sonuçlar tablolarda verilmiş ve önerilen modelin mevcut algoritmalara alternatif olabileceğini gösterilmiştir.

show abstract

“…Another MIP formulation for the multiple-group classification problem was presented in [4]. In [9], characteristics of the multiple-group problem which may result in degenerate or unacceptable solutions were examined.…”

Section: Introductionmentioning

confidence: 99%

Untitled

Pavur¹

1997

Annals of Operations Research

Self Cite

View full text Add to dashboard Cite

This paper proposes a new mathematical programming approach to represent the dimensions of the discriminant space for the multiple-group classification problem. Few papers have investigated generalizations of two-group mathematical programming approaches for the classification of multiple groups. While several papers have proposed mathematical programming models for separating groups of observations, the issue of considering the classification problem by finding discriminant linear functions to describe the groups in fewer dimensions has not been addressed. The new mathematical programming approach proposed in this paper first solves the multiple-group problem using a single discriminant function, which essentially represents the separation of the groups in one dimension. Then the multiple-group problem is successively solved using single discriminant functions with the requirement that successive linear discriminant functions have a sample covariance equal to zero. An algorithm is proposed to classify observations from multiple groups using the linear discriminant functions from the mathematical programming approach in a reduced number of dimensions.

show abstract

Examining Optimal Criterion Weights in Mixed Integer Programming Approaches to the Multiple-group Classification Problem

Cited by 3 publications

References 0 publications

A new mathematical programming approach to multi-group classification problems

A new mathematical programming approach to multi-group classification problems

Epileptik Nöbet Tespiti İçin Destek Regresyon Temelli Yeni Bir Sınıflandırma Yaklaşımı

Untitled

Contact Info

Product

Resources

About