Regularization-enhanced adaptive harris hawks optimization for feature selection
Özellik seçimi için düzenlileştirme ile geliştirilmiş adaptif harris şahini optimizasyonu
- Tez No: 1023784
- Danışmanlar: DOÇ. DR. MUSTAFA AÇIKKAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sarmalayıcı tabanlı özellik seçimi, sınıflandırma başarımını korurken ya da geliştirirken girdi boyutunu azaltmayı amaçlayan önemli bir yaklaşımdır. Özellikle K-En Yakın Komşu (KNN) gibi uzaklık temelli sınıflandırıcılarda ilgisiz, gereksiz veya gürültülü değişkenler örnekler arasındaki uzaklık ilişkilerini bozabilmekte ve hesaplama maliyetini artırabilmektedir. Bu tezde, büyük özellik alt kümesi uzaylarını sezgisel olarak tarayabilen Harris Hawks Optimization (HHO) algoritması KNN tabanlı bir sarmalayıcı değerlendirme düzeni içinde ele alınmıştır. Standart HHO'nun arama sürecini daha bilgili ve uyarlanabilir hâle getirmek amacıyla üç regresyon yönlendirmeli varyant geliştirilmiştir: Ridge Regresyonu yönlendirmeli HHO (RR-HHO), LASSO ile başlatılan RR-HHO (LRR-HHO) ve LASSO tabanlı yinelemeli takas-budama iyileştirmesi içeren LRRL-HHO. Önerilen modellerde yinelemeye bağlı azalmayı, göreli uygunluk iyileşmesini ve her şahinin mevcut en iyi çözüme uzaklığını birlikte kullanan uyarlamalı bir enerji mekanizması uygulanmıştır. Ridge Regresyonu iç düzeltmede kararlı katsayı bilgisi sağlarken LASSO, seyrek başlangıç çözümü ve dış iyileştirme aşamalarında yönlendirici olarak kullanılmıştır. Yöntemler, 19 kıyaslama sınıflandırma veri kümesi üzerinde tekrarlı 5-katlı çapraz doğrulama ile değerlendirilmiştir. Tam özellikli KNN, standart HHO ve önerilen varyantlar doğruluk, F1-skoru, seçilen özellik sayısı, uygunluk değeri ve çalışma süresi bakımından karşılaştırılmıştır. Sonuçlar, regresyon yönlendirmeli varyantların sınıflandırma başarımını korurken daha kompakt özellik alt kümeleri üretebildiğini göstermiştir. Genel karşılaştırmada LRRL-HHO en yüksek ortalama doğruluk ve F1-skorunu ve en düşük ortalama seçilen özellik sayısını elde etmiştir. Bulgular, düzenlileştirilmiş regresyon bilgisinin HHO aramasına katılmasının başarım, alt küme kompaktlığı ve hesaplama maliyeti arasındaki dengeyi güçlendirebildiğini göstermektedir.
Özet (Çeviri)
Wrapper-based feature selection aims to reduce input dimensionality while preserving or improving classification performance. Irrelevant, redundant, or noisy variables can distort the distance relationships used by classifiers such as K-Nearest Neighbors (KNN) and can increase computational cost. This thesis investigates Harris Hawks Optimization (HHO), which can search large feature-subset spaces without exhaustive enumeration, within a KNN-based wrapper evaluation framework. Three regression-guided variants are developed to make the standard HHO search more informed and adaptive: Ridge Regression-Guided HHO (RR-HHO), LASSO-Initialized RR-HHO (LRR-HHO), and LRRL-HHO with an external LASSO-based iterative swap-prune refinement stage. The proposed models employ an adaptive energy mechanism that combines iteration-dependent decay, relative fitness improvement, and the distance of each hawk from the current best solution. Ridge Regression supplies stable coefficient information for internal correction, whereas LASSO guides sparse initialization and external refinement. The methods are evaluated on 19 benchmark classification datasets using repeated 5-fold cross-validation. Full-feature KNN, standard HHO, and the proposed variants are compared in terms of accuracy, F1-score, number of selected features, wrapper fitness, and runtime. The results show that the regression-guided variants can preserve predictive performance while producing substantially more compact feature subsets. In the overall comparison, LRRL-HHO attains the highest mean accuracy and F1-score and the lowest mean selected-feature count. These findings indicate that integrating regularized-regression guidance into HHO can improve the balance among predictive performance, subset compactness, and computational cost.
Benzer Tezler
- Noise concellation techniques applied to EEG using single or mare sweeps
Bir ve birden fazla kayıt kullanarak EEG sinyallerinde gürültü temizleme uygulamaları
BURAK YENİGÜN
Yüksek Lisans
İngilizce
2000
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. NEVZAT GÜNERİ GENÇER
- Kanal tabanlı özellik temsili ve derin öğrenmeye dayalı uykululuk sınıflandırması
Drowsiness classification based on channel-based feature representation and deep learning
MUSTAFA RIFAT ÇELİK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Mikrodalga görüntülemede seyreklik yaklaşımı yöntemlerinin uygulanması
Sparse approximation and applications in microwave imaging
EMRE YALÇIN
Yüksek Lisans
Türkçe
2016
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜR ÖZDEMİR
- Derin öğrenme destekli dielektrik rezonatör anten tasarımı
Deep learning assisted dielectric resonator antenna design
FİDAN GAMZE KIZILÇAY
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMET HİLMİ NİŞANCI
- Köpük enjeksiyon prosesinde gri Taguchi ve yapay sinir ağları yöntemleri ile parametre optimizasyonu
Parameter optimization in foam injection process using grey Taguchi and artificial neural network methods
NİLAY ERKAN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERVE CENGİZ TOKLU