Explainability-aware pruning of ensemble tree classifiers via integer linear programming
Tam sayılı doğrusal programlama ile açıklanabilirlik farkındalıklı topluluk ağaç sınıflandırıcılarının budanması
- Tez No: 1023477
- Danışmanlar: PROF. DR. SÜREYYA AKYÜZ, DR. ÖĞR. ÜYESİ DUYGU ÜÇÜNCÜ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Budama yöntemleri, Karar ağacı, Kararlılık, Kural işleme, Makine öğrenmesi, Makine öğrenmesi yöntemleri, Optimizasyon, Sağlamlık, Topluluk öğrenme, Yapay zeka, Pruning methods, Decision tree, Stability, Rule processing, Machine learning, Machine learning methods, Optimization, Robustness, Ensemble learning, Artificial intelligence
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Açıklanabilirlik, özellikle topluluk yöntemlerinin kullanıldığı karar destek uygulamalarında, ağaç tabanlı makine öğrenmesi modelleri için önemli bir gerekliliktir. Bu tez, kural tabanlı vekil modellerin oluşturulmasına yönelik, tahmin performansı, sadakat, seyrekliği ve kararlılığı kural seçimi aşamasında birlikte alan optimizasyon temelli bir çerçevede önermektedir. Bu amaçların doğrudan optimizasyona dahil edilmesiyle, açıklanabilir model çıkarımına yönelik yapısal bir yaklaşım sunulmaktadır.
Özet (Çeviri)
Explainability is an important requirement for tree-based machine learning models, particularly when ensemble methods are used in decision-making tasks. This thesis proposes an optimization framework for constructing rule-based surrogate models that explicitly balance predictive performance, fidelity, sparsity, and stability during rule selection. By embedding these objectives directly into the optimization, the framework provides a structured approach to explainable model extraction.
Benzer Tezler
- A concept-aware explainability method for convolutional neural networks
Evrişimsel sinir ağlarinin açiklanabilirliği için kavram bilinçli bir yöntem
MUSTAFA KAĞAN GÜRKAN
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NAFİZ ARICA
- A cost-aware framework for explainability-based monitoring of behavioral drift in credit risk models
Kredi risk modellerinde davranışsal kaymanın açıklanabilirlik temelli izlenmesi için maliyet duyarlı bir çerçeve
ERDAL BOZAN
Yüksek Lisans
İngilizce
2026
Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ŞAKİR KARAKAYA
- Explainable and context-aware machine learning for common and imbalanced atmospheric forecasting
Açıklanabilir ve bağlamsal farkındalık sahibi makine öğrenmesi yaklaşımları ile yaygın ve ekstrem atmosferik tahmin
ALİ ULVİ GALİP ŞENOCAK
Doktora
İngilizce
2024
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA TUĞRUL YILMAZ
- Skin lesion classification via hybrid localization-explainability approaches
Hibrit lokalizasyon-açıklanabilirlik yaklaşımları ile deri lezyonu sınıflandırması
HUMAM ABUALKEBASH
Doktora
İngilizce
2025
Mekatronik MühendisliğiKocaeli ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN METİN ERTUNÇ
- Enhancing DNN test data selection through uncertainty-based and data distribution-aware approaches
Belirsizliğe dayalı ve veri dağılımına duyarlı yaklaşımlar yoluyla DNN testı veri seçiminin geliştirilmesi
DEMET DEMİR
Doktora
İngilizce
2024
Bilim ve TeknolojiOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. ELİF SÜRER
DOÇ. DR. AYSU BETİN CAN