Geri Dön

A new hybrid metaheuristic algorithm applied on a classification problem

Bir sınıflandırma problemine uygulanan yeni bir hibrit metasezgisel algoritma

  1. Tez No: 696452
  2. Yazar: ARMİR KAÇABETİ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ AMIR SEYYEDABBASI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: İstanbul Sabahattin Zaim Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 56

Özet

Veri kümeleri ile çalışmak, verilerin çoğalmasıyla nedeniyle günümüzde çok karmaşık bir görev haline gelmiştir. Veri bilimi ve veri madenciliği, verinin hızlı büyümesinden ve yüksek veri boyutlarından etkilenen birçok alandan ikisidir. Büyük veri, bu alanlarda yüksek hesaplama maliyetleri, bellek maliyetleri ve zayıf yürütme doğruluğu gibi sorunlara neden olur. Yukarıda bahsedilen sorunlar, veri kümelerinin temel olarak makine öğrenimi sınıflandırıcıları olması nedeniyle oluşur; ancak makine öğreniminin doğruluğu gürültüden ve alakasız işlevlerden de etkilenebilir. Bu problemlerin çözümlerinden biri olarak öznitelik seçimi sunulmuştur. Özellik seçimi, özelliklerin en iyi alt kümesini seçerek verilerin boyutsallığını azaltır. Bu azalma, öğrenme sürecini hızlandırmaya, öğrenilen modeli basitleştirmeye ve aynı zamanda performansı artırmaya yardımcı olur. Bu işlem sırasında, özellik azaltma probleminin temel amacı olan doğruluk performansı da korunmalıdır. Bu tez çalışmasında, öznitelik seçimi problemlerinin çözümlerini iyileştirmek ve yaklaşık çözümleri tahmin etmek için yeni bir öznitelik indirgeme yaklaşımı icat edilmiştir. Bu amaca ulaşmak için yeni bir hibrit metasezgisel algoritma önerilmiştir. Hibridizasyonda, her birinin performansı önemli olmakla birlikte, iyi bilinen üç metasezgisel algoritma kullanılmıştır. Salp Sürü Algoritması, Gri Kurt Optimizasyonu ve Balina Optimizasyon Algoritması kullanıldı. Hibrit algoritma, her algoritmanın kendine özgü doğa davranışı olduğundan, bu algoritmaların ana yapısını takip eder. Bu çalışmaya iki ana iyileştirme dahil edilmiştir. Birincisi, algoritmaların üçünü kullanarak arama uzayındaki popülasyon çeşitliliğini iyileştirmek, ikincisi ise daha çok GWO ve WOA kullanılarak sömürü aşamasında yapılır.

Özet (Çeviri)

Working with datasets has become a very complex task nowadays due to the large number of data which are formed. Data science and data mining are two of many fields that are affected by the rapid growth of data and high data dimensions. Large data causes problems like high computational costs, memory costs and poor execution accuracy in these fields. The above mentioned problems occurs because datasets are mainly machine learning classifiers; however, the accuracy of machine learning can be affected by noise and irrelevant functions too. Feature selection has been presented as one of the solutions of these problems. Feature selection reduce the dimensionality of the data by selecting the best subset of features. This reduction helps in speeding up the learning process, simplify the learnt model and in the same time increases the performance. During this process the accuracy performance should be maintained too, which is the main aim of the feature reduction problem. In this thesis study, a new feature reduction approach has been invented to improve and approximate the solutions of the feature selection problems. To achieve this goal a new hybrid metaheuristic algorithm is proposed. In the hybridization, three well-known metaheurstic algorithms were used, while performance of each of them is significant. Exactly, Salp Swarm Algorithm, Grey Wolf Optimization and Whale Optimization Algorithm were used. The hybrid algorithm follows the main structure of these algorithm since each algorithm has specific nature behavior. Two main improvement have been included in this study. The first is improving the population diversity in the search space by using the three of the algorithms, and the second improvement is made in the exploitation phase by mostly using GWO and WOA.

Benzer Tezler

  1. COOT optimizasyon algoritması temelli yapay sinir ağı modeli

    Artificial neural network model based on COOT optimization algorithm

    AYŞENUR ÖZDEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSMAİL İŞERİ

  2. Kaynak kısıtlı proje çizelgeleme probleminde tekrarsız kromozom destekli paralel genetik algoritma uygulaması

    A parallel genetic algorithm application with nonrepetitive chromosome improvement for resource constrained project scheduling problem

    ŞAFAK EBESEK

    Doktora

    Türkçe

    Türkçe

    2019

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. HAKAN YAMAN

  3. A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy

    Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli

    ÖMER FARUK GÜRCAN

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  4. Elektrokardiyogram verilerinin iyileştirilmiş yapay arı kolonisi (MABC) algoritması ile analizi

    Analysis of electrocardiogram data by using modified artificial bee colony (MABC) algorithm

    SELİM DİLMAÇ

    Doktora

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TAMER ÖLMEZ

  5. Talep tahmini için gri temelli bir yaklaşım

    A grey based approach to demand forecasting

    CEYDA TANYOLAÇ BİLGİÇ

    Doktora

    Türkçe

    Türkçe

    2022

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ