Metasezgisel algoritmalarla öznitelik seçimi yöntemlerinin uygulaması ve geliştirilmesi
Application and development of feature selection methods usingmetaheuristic algorithms
- Tez No: 1006326
- Danışmanlar: PROF. DR. İBRAHİM BERKAN AYDİLEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Öznitelik seçimi veri kümelerinde gereksiz ve alakasız öznitelikleri elimine ederek makine öğrenmesi problemlerinde önemli bir rol oynamaktadır. Öznitelik seçimi süreci, modelin doğruluğunu artırmanın yanı sıra eğitim süresini kısaltarak modelin yorumlanabilirliğini de artırmaktadır. Öznitelik seçimi yüksek boyutlu veri kümelerine uygulandığında aşırı öğrenme riskini azaltarak daha genellenebilir sonuçlar elde edilebilmektedir. Bu tez kapsamında iki farklı çalışmadan elde edilen deneysel çalışmalar sunulmuştur. İlk olarak UCI veri deposundan elde edilen 3 farklı veri kümesi kullanılarak 5 farklı makine öğrenmesi algoritması 10 katlı çapraz doğrulama yöntemi uygulanarak algoritmaların başarımları ve çalışma süreleri ölçülmüştür. Öznitelik seçimi yöntemleri olarak, meta-sezgisel yaklaşımlardan Genetik Algoritma (GA) ve Parçacık Sürü Optimizasyonu (PSO); geleneksel yöntemler arasında ise Korelasyon Analizi, Lasso ve Hipotez Testi tercih edilmiştir. Yapılan deneysel çalışmalar göz önüne alındığında GA ve PSO tabanlı öznitelik seçiminin, geleneksel yöntemlere kıyasla hem sınıflandırma başarımında hem de işlem süresinde daha etkin sonuçlar verdiği elde edilen deneysel verilerle ortaya konmuştur. İkinci çalışma olarak 2025 yılında ortaya çıkmış olan güncel metasezgisel algoritmalardan olan Draco Kertenkele Optimizasyon (DLO) algoritması, destek vektör makinesi ile birlikte kullanılarak öznitelik seçimi problemi için SVM-DLOFS yöntemi önerilmiştir. Önerilen yöntem UCI veri deposundan elde edilen 6 farklı veri kümesi üzerinde deneysel çalışmalar yapılmış ve SVM algoritması ile 5 katlı çapraz doğrulama yöntemi kullanılarak karşılaştırılmıştır. Deneysel çalışmalar seçilen öznitelik sayısı, en iyi skor, en kötü skor, ortalama skor ve standart sapma değerleriyle analiz edilmiştir. Elde edilen deneysel çalışmalar incelendiğinde önerilen SVM-DLOFS yönteminin öznitelik seçiminde daha başarılı sonuçlar verdiği gözlemlenmiştir.
Özet (Çeviri)
Feature selection plays an important role in machine learning problems by eliminating unnecessary and irrelevant features in datasets. In addition to improving the accuracy of the model, the feature selection process also shortens the training time and increases the interpretability of the model. When applied to high-dimensional datasets, feature selection reduces the risk of overfitting and provides more generalizable results. Within the scope of this thesis, two different experimental studies have been presented. First, three different datasets obtained from the UCI repository were used, and the performance and execution times of five different machine learning algorithms were measured by applying 10-fold cross-validation. As feature selection methods, Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) were chosen among meta-heuristic approaches, while Correlation Analysis, Lasso, and Hypothesis Testing were preferred among traditional methods. Considering the experimental studies, it has been demonstrated with the obtained results that GA- and PSO-based feature selection produced more effective outcomes in terms of both classification performance and computational time compared to traditional methods. As the second study, the Draco Lizard Optimization (DLO) algorithm, which is one of the recently developed meta-heuristic algorithms introduced in 2025, was employed together with the Support Vector Machine to propose the SVMDLOFS method for the feature selection problem. The proposed method was tested on six different datasets obtained from the UCI repository, and compared with the SVM algorithm using 5-fold crossvalidation. The experimental studies were analyzed with respect to the number of selected features, best score, worst score, average score, and standard deviation values. When the obtained experimental results were examined, it was observed that the proposed SVM-DLOFS method yielded more successful results in feature selection.
Benzer Tezler
- Makine öğrenmesi algoritmalarının hibrit yaklaşımı ile ağ anomalisi tespiti
Network anomaly detection with a hybrid approach of machine learning algorthms
FEYZA ÖZGER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİT ÖZTEKİN
- Karınca kolonisi ve parçacık sürü optimizasyonu algoritmaları ile 360 derece performans değerlendirme modeli: Bir yazılım firmasında uygulaması
A 360-degree performance evaluation model using ant colony and particle swarm optimization algorithms: An application in a software company
ZEYNEP YAĞIZ
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERVE CENGİZ TOKLU
- Çok sınıflı medikal görüntü sınıflandırması için melez derin öğrenme yaklaşımları
Hybrid deep learning approaches for the multi class medical image classification
ZELİHA KAYA AKÇELİK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖNÜL ULUDAĞ
- İkili sürüngen arama algoritması için öznitelik seçimi yöntemi
Feature selection method for binary reptile search algorithm
ABDÜLKADİR ENES GÖRGÜLÜ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜRCAN YAVUZ
- Parkinson's disease diagnosis by using autoencoder based on deep neural network (DNN) and metaheuristic method
Derin sinir ağına dayalı otokodlayıcı ve metasezgisel yöntem ile parkinson hastalığının teşhisi
BEYHAN GERGERLİ
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH VEHBİ ÇELEBİ