A neighbor-assisted metaheuristic approach for high-dimensional feature selection
Yüksek boyutlu öznitelik seçimi için komşuluk tabanlı meta-sezgisel bir yaklaşım
- Tez No: 1023785
- Danışmanlar: DOÇ. DR. YASİN KAYA
- 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: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda büyük veri uygulamalarının yaygınlaşmasıyla birlikte yüksek boyutlu veri setlerinin kullanımı birçok alanda artış göstermiştir. Ancak bu veri setlerinde bulunan fazla sayıdaki öznitelik, sınıflandırma algoritmalarının hesaplama maliyetini artırmakta ve boyutsallık laneti nedeniyle model performansının düşmesine neden olabilmektedir. Bu problemlerin üstesinden gelmek amacıyla, gereksiz ve ilgisiz özniteliklerin veri setinden çıkarılmasını sağlayan öznitelik seçimi yöntemleri yaygın olarak kullanılmaktadır. Bu tez kapsamında, yüksek boyutlu veri setlerinde öznitelik seçimi problemi ele alınmıştır. Bu amaçla, filtre ve sarmalayıcı tabanlı yöntemlerin birlikte kullanıldığı hibrit bir öznitelik seçimi yaklaşımı geliştirilmiştir. Önerilen yöntemde filtre aşamasında Neighborhood Component Analysis (NCA) kullanılmıştır. NCA ile tüm öznitelikler puanlanmış ve elde edilen skorlar kullanılarak yüksek puana sahip özniteliklerin başlangıç popülasyonunda seçilme olasılığı artırılmıştır. Ardından, optimizasyon algoritması olarak Grey Wolf Optimizer (GWO) kullanılarak optimum öznitelik alt kümeleri aranmıştır. Yöntem, rastgele başlatılan standart GWO yaklaşımına kıyasla daha az sayıda öznitelik kullanarak aynı veya daha yüksek sınıflandırma doğruluğuna ulaşmıştır. Yöntem, sekiz yüksek boyutlu mikroarray veri seti üzerinde değerlendirilmiştir. %96.56 ile %99.21 arasında öznitelik azaltma oranı elde eden yöntem, yüksek boyutlu veri setlerinde etkili bir öznitelik seçimi yöntemi olduğunu ortaya koymaktadır. Ayrıca bu tez kapsamında, yüksek boyutlu veri setlerinde öznitelik seçimi problemleri için hesaplama maliyetini düşürme amacıyla kullanılan vekil modeller ve vekil destekli yöntemlere dair kapsamlı bir literatür araştırması yapılmıştır. Yapılan incelemede, farklı vekil model türleri, vekil model yönetim stratejileri ve vekil destekli öznitelik seçimi yaklaşımları detaylı olarak ele alınmıştır.
Özet (Çeviri)
In recent years, with the widespread adoption of big data applications, the use of high-dimensional datasets has increased in many fields. However, the large number of features in these datasets increases the computational cost of classification algorithms and may lead to a decrease in model performance due to the curse of dimensionality. To overcome these problems, feature selection (FS) methods that eliminate irrelevant and redundant features from datasets have been widely used. In this thesis, the FS problem in high-dimensional datasets is addressed. For this purpose, a hybrid FS approach, which combines filter and wrapper-based methods, is developed. In the proposed method, Neighborhood Component Analysis (NCA) is used in the filtering stage. All features are scored using NCA, and the obtained scores are used to increase the selection probability of features with high scores in the initial population. Subsequently, Grey Wolf Optimizer (GWO) is employed as the optimization algorithm to search for optimal feature subsets. The method achieves the same or higher classification accuracy with fewer selected features compared to the randomly initialized standard GWO approach. The method is evaluated on eight high-dimensional microarray datasets. The obtained feature reduction rates ranging from 96.56% to 99.21% demonstrate that the method is an effective FS approach for high-dimensional datasets. In addition, a comprehensive literature review on surrogate models and surrogate-assisted methods used to reduce the computational cost of FS problems in high-dimensional datasets is conducted within the scope of this thesis. In this review, different surrogate model types, model management strategies, and surrogate-assisted FS approaches are discussed in detail.
Benzer Tezler
- Derin öğrenme teknikleri ile fundus görüntülerinden glokom hastalığı tespiti
Detection of glaucoma from fundus images with deep learningtechniques
ÖZCAN YILDIRIM
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FEYZA ALTUNBEY ÖZBAY
- Medical dataset classification based on different deep learning techniques and meta-heuristic algorithms
Farklı derin öğrenme teknikleri ve meta-sezgisel algoritmalara dayalı tıbbi veri kümesi sınıflandırması
YEZI ALI KADHIM
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiMühendislik Sistemlerinin Modellenmesi ve Tasarımı Ana Bilim Dalı
PROF. DR. ALOK MISHRA
PROF. DR. REŞAT ÖZGÜR DORUK
- Evaluation of a fuzzy logic based computer aided diagnosis system for chest x-ray nodule detection and characterization
Akciğer grafisinde nodüllerin belirlenmesinde ve sınıflandırılmasında bulanık mantığa dayalı bilgisayar destekli tanı sisteminin değerlendirilmesi
NURHAN ÖZTÜRK
Yüksek Lisans
İngilizce
2015
BiyomühendislikBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALBERT GÜVENİŞ
- Fotopletismografi sinyali ile Bruksizm teşhisi için makine öğrenmesi tabanlı bir yöntem geliştirilmesi
Development of a machine learning based method for the diagnosis of Bruxism with photoplethysmography signal
ÖMER ERİŞ
Doktora
Türkçe
2025
BiyomühendislikSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET RECEP BOZKURT
- Susam (Sesamum indicum L.) germplasmında kömür çürüklüğü (Macrophomina phaseolina (Tassi) Goid.) için genom çapında ilişki haritalaması
Genome-wide association mapping for charcoal rot (Macrophomina phaseolina (Tassi) Goid.) in sesame (Sesamum indicum L.) germplasm
AMJAD ALI
Doktora
Türkçe
2025
ZiraatSivas Bilim ve Teknoloji ÜniversitesiBitki Koruma Ana Bilim Dalı
PROF. FAHEEM SHAHZAD BALOCH
DOÇ. DR. FATİH ÖLMEZ