Shapley additive explanations (shap) metodunun yorumlanabilirliğini artırmak için yenilikçi bir yaklaşım
An innovative approach to improve the interpretability of the shapley additive explanations (shap) method
- Tez No: 1019000
- Danışmanlar: DOÇ. DR. SELİM ÇETİN, DOÇ. DR. BEKİR ÇETİNTAV
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Matematik, Computer Engineering and Computer Science and Control, Mathematics
- Anahtar Kelimeler: Yapay zeka, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Burdur Mehmet Akif Ersoy Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, yapay zeka ve makine öğrenmesi modellerinin karar süreçlerini şeffaf hale getirmeyi amaçlayan Açıklanabilir Yapay Zeka (XAI) alanında, öznitelik katkılarını hesaplayan SHAP (SHapley Additive exPlanations) yönteminin çoklu sınıflı sınıflandırma durumlarındaki sınırlılıkları incelenmiştir. Klasik SHAP yönteminin yalnızca pozitif ve negatif katkıları göstermekle sınırlı kaldığı tespiti üzerine, bu eksiklikleri gidermek amacıyla alternatif bir çözüm önerilmiştir. Geliştirilen bu yeni yaklaşım, özniteliklerin bir gözlemi bir üst sınıfa yükseltmekten alıkoyan, alt sınıfta kalmasını engelleyen veya net bir yön belirtmeyen muğlak etkilerini ortaya koyarak, modelin karar mekanizmasını daha kapsamlı ve ayrıntılı bir biçimde açıklamayı hedeflemiştir. Çalışmada elde edilen bulgular, önerilen yöntemin klasik SHAP analizine göre daha kapsamlı içgörüler sunduğunu ve özellikle sınıf sınırlarında yer alan gözlemler için daha hassas bir yorumlama imkanı sağladığını göstermiştir. Sonuç olarak, bu çalışma, SHAP yöntemine getirilen bu modifikasyon ile modelin açıklanabilirliğini artırarak, hem akademik araştırmalar hem de şeffaflığın kritik önem taşıdığı pratik uygulamalar için daha güçlü bir analiz çerçevesi sunmaktadır.
Özet (Çeviri)
In this thesis study, the limitations of the SHAP (SHapley Additive exPlanations) method, which calculates feature contributions, have been examined in the field of Explainable Artificial Intelligence (XAI), which aims to make the decision processes of artificial intelligence and machine learning models transparent, in multi-class classification scenarios. Based on the observation that the classical SHAP method is limited to showing only positive and negative contributions, an alternative solution is proposed to address these shortcomings. This new approach aims to explain the model's decision mechanism in a more comprehensive and detailed manner by revealing the ambiguous effects of features that prevent an observation from being promoted to a higher class, keep it in a lower class, or do not indicate a clear direction. The findings of the study show that the proposed method provides more comprehensive insights than the classic SHAP analysis and allows for a more accurate interpretation, especially for observations located at class boundaries. In conclusion, this study enhances the model's interpretability through this modification to the SHAP method, offering a more robust analytical framework for both academic research and practical applications where transparency is critically important.
Benzer Tezler
- Su idarelerinde müşteri taleplerinin kapanma sürelerinin tahmininin kayseri ili üzerinde uygulanması
Application of customer request resolution time prediction in water utilities: the case of Kayseri province
MUHAMMED MİRAÇ KUMTEPE
Yüksek Lisans
Türkçe
2025
İnşaat MühendisliğiErciyes Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE ÇITAKOĞLU
- Sar ve optik veri entegrasyonuna dayalı çeltik alanlarının tespiti ve açıklanabilir yapay zeka (SHAP) ile analizi
Identification of rice fields based on sar and optical data integration and analysis with explainable artificial intelligence (SHAP)
MERİÇ BEKTAŞ
Yüksek Lisans
Türkçe
2026
Jeodezi ve FotogrametriZonguldak Bülent Ecevit ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇAĞLAR BAYIK
- Güvenlik duvarı loglarının makine ve derin öğrenme ile sınıflandırılması ve açıklanabilir yapay zeka ile yorumlanması
Classification of firewall logs using machine and deep learning and interpretation with explainable artificial intellgence
FATMİR GARRİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEM ÖZKURT
- ESG performance prediction by machine learning
Makine öğrenmesi kullanılarak ESG puan tahminlemesi
ÇİSEM TURĞAY
- Striktüran Crohn hastalığında cerrahi gereksinimini öngörmede makine öğrenmesi temelli model geliştirilmesi
Machine learning–based prediction of surgery in stricturing Crohn's disease
BETÜL PİYADE
Tıpta Uzmanlık
Türkçe
2026
GastroenterolojiMarmara Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. HALUK TARIK KANİ
