Sınıflandırma problemlerinde özellik seçimi için karşıtlık tabanlı gri kurt optimizasyon algoritması
Opposition based gray wolf optimization algorithm for feature selection in classification problems
- Tez No: 633285
- Danışmanlar: DOÇ. DR. UĞUR YÜZGEÇ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Bilecik Şeyh Edebali Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Teknolojinin hızlı bir şekilde ilerlemesiyle çoğalan verilere kolay ve hızlı bir şekilde erişmek için veri kümesinde tanımlanan veriler çeşitli sınıflar arasında dağıtılarak sınıflandırma yapılır. Sınıflandırma problemlerini çözmek için geliştirilen sınıflandırma algoritmalarından yararlanarak veriler benzer özelliklere göre sınıflandırılırlar. Bu sınıflandırma algoritmaları, verilen eğitim veri kümesiyle eğitilerek, öğrenme sağlanır ardından sınıfları belirli olmayan test verileri ile işlem yapıldığında bu verileri doğru bir şekilde sınıflandırmak için çalışırlar. Sezgisel algoritmalar optimizasyon problemlerinde son yıllarda gittikçe popüler bir algoritma haline gelmektedir. Gri Kurt Optimizasyon (GWO) algoritması, gri kurtların toplumsal ve avcılık davranışlarını taklit edilerek geliştirilmiş bir meta sezgisel optimizasyon algoritmasıdır. Bu çalışma kapsamında belirlenen sınıflandırıcıların (K Nearest Neighbour, Support Vector Machine vb.) özellik seçimi için Gri Kurt Optimizasyon algoritması ve karşıtlık tabanlı öğrenme yöntemi kullanılarak geliştirilmiştir. Karşıtlık tabanlı öğrenme, olasılık kuramına göre rastgele bir noktanın karşıt durumu çözüme, rastgele noktadan daha yakın olabilir. Karşıtlık tabanlı öğrenmede birinci aşama karşıtlık tabanlı başlangıç popülasyonun belirlenmesi, bir sonraki aşama ise karşıtlık temelli jenerasyon atlama işlemdir. Önerilen algoritma için karşıtlık tabanlı öğrenme dışında mutasyon ve sınır değeri kontörlü gibi yenilikler eklenmiştir. Bu çalışma kapsamında geliştirilen karşıtlık tabanlı GWO algoritması, mevcut kaynaklardan elde edilen sınıflandırma veri setleri için orijinal GWO algoritması ile eş zamanlı olarak test edilip sonuçlar karşılaştırılmıştır. Bu karşılaşmalar algoritmaların işleyiş zamanları, özellik sayıları, doğruluk değerleri gibi değerler için karşılaştırılmıştır. Karşılaştırmaların sonucunda önerilen geliştirilmiş GWO algoritması orijinal GWO 'ya kıyasla daha başarılı sonuçlar vermiştir. Karşılaştırmalar zaman, doğruluk değeri, sınıflandırma hatası gibi etmenlerle yapılmıştır. Anahtar Kelimeler Özellik seçimi; Sınıflandırma; Optimizasyon; Gri Kurt Algoritması; Karşıtlık tabanlı öğrenme.
Özet (Çeviri)
With the rapid advancement of technology, the data defined in the dataset is distributed and distributed among various classes in order to easily and quickly access the reproduced data. Using the classification algorithms developed to solve classification problems, the data are classified according to similar features. These classification algorithms are trained with the given training dataset, learning is provided, and then they work to classify these data correctly when processing with undetermined test data. Intuitive algorithms have become an increasingly popular algorithm in optimization problems in recent years. Gray Wolf Optimization (GWO) algorithm is a meta heuristic optimization algorithm developed by imitating gray wolves' social and hunting behavior. It was developed by using Gray Wolf optimization algorithm and opposition-based learning method for feature selection of classifiers (K Nearest Neighbour, Support Vector etc.) determined within the scope of this study. Opposite based learning, according to probability theory, the opposite situation of a random point may be closer to the solution than the random point. In the opposition-based learning, the first stage is to determine the opposite-based initial population, and the next stage is the opposition-based generation jump. For the proposed algorithm, innovations such as mutation and boundary value credits have been added apart from opposition-based learning. The opposition-based GWO algorithm developed within the scope of this study was tested simultaneously with the original GWO algorithm for the classification datasets obtained from existing sources and the results were compared. These encounters have been compared for the algorithms' operating times, feature numbers, and accuracy values. The improved GWO algorithm proposed as a result of the comparisons yielded more successful results than the original GWO. Comparisons include time, accuracy, cost value, etc. It was made with factors such as. Keywords Feature selection; Classification; Optimization; Gray Wolf Algorithm; Opposition based learning.
Benzer Tezler
- Deep learning based hybrid recommender system
Derin öğrenme tabanlı öneri sistemi
MUHAMMET ÇAKIR
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Neural language modelling approaches for post-ocr text processing
Optik karakter tanıma sonrası metin işleme adımı için sinirsel dil modelleri yaklaşımları
AYŞE İREM TOPÇU
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Obfuscated JavaScript detection using syntactically and lexically enhanced machine learning
Perdelenmiş JavaScript kodlarının sözdizimsel ve anlamsal yönden iyileştirilmiş makina öğrenmesi ile tespiti
EREN KILIÇ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET TAHİR SANDIKKAYA
- Yeni makine öğrenmesi metotları ve ilaç tasarımına uygulamaları
New machine learning algorithms and applications to drug design
MEHMET FATİH AMASYALI
Doktora
Türkçe
2008
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Bölümü
PROF. DR. OKAN ERSOY
PROF. DR. OYA KALIPSIZ