Sınıflandırma algoritmalarında öznitelik seçimi için evrimsel algoritmaların kullanımı
Use of evolutionary algorithms for feature selection in classification algorithms
- Tez No: 705868
- Danışmanlar: DOÇ. DR. GAZİ ERKAN BOSTANCI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 116
Özet
Öznitelik seçimi, veri setinin alakasız bilgiler içerebilen yüksek boyutluluğunu azaltmak, veri setini karmaşık hale getirmek ve sonuç olarak sınıflandırma algoritmalarının etkinliğini etkilemek için etkin bir veri hazırlama yaklaşımı olarak görülmektedir. Sınıflandırma algoritması performansını iyileştirmek için ilgili bilgileri çıkarmak için filtreler, sarmalayıcılar ve gömme yöntemleri gibi çeşitli stratejiler sunulmuştur. Öznitelik seçim prosedürü, öznitelikler arasında karmaşık etkileşimler olan büyük miktarda veri için kritik öneme sahiptir. Bununla birlikte, yapılması son derece zor bir süreçtir. Küresel perspektif arama yeteneği nedeniyle, EA, özellikle MOEA, çelişen çok amaçlı gerçek dünya sorunlarını ele alması önerildi. Öznitelik seçimi, genellikle iki karşıt amaç olan öznitelik sayısını en aza indirirken, sınıflandırma doğruluğunu en üst düzeye çıkarmaya çalıştığından, öznitelik seçimi süreci çok amaçlı bir probleme dönüşmüştür. Sonuç olarak, MOEA bu tezde algoritmaların bu tür bir problemle başa çıkmak için son derece verimli olduğunu gösterdikten sonra özellik seçimi problemini çözmeyi önerdi. Hangi, MOEA ilkesi Pareto optimallik teorisine dayalı bir dizi optimal çözüm sağlamayı amaçlamaktadır. Özellik seçim problemini ele almak için üç farklı MOEA türü (E-MOEA, FastPGA ve NSGA-II) önerilmiştir. Sınıflandırma performansının iyileşip iyileşmeyeceğinden emin olmak için dört farklı sınıflandırma algoritması önerilmiştir. Deneysel sonuçlar, yüksek doğrulukla sınıflandırma algoritması performansında bir gelişme olduğunu gösterdi ve diğer değerlendirme ölçütlerinin (Kappa ve ortalama karekök hatası) gözlemlenmesi de MOEA'nın etkinliğini kanıtladı. Bulunan birden fazla alternatif özellik setinin yanı sıra, doğru kararlar vermeye yardımcı olabilecek farklı doğrulukları vardır.
Özet (Çeviri)
Feature selection is regarded as an efficient data preparation approach for reducing the high dimensionality of the dataset, which may contain irrelevant information, complicating the dataset and, as a result, affecting the efficiency of classification algorithms. Several strategies have been presented like filters, wrappers, and embedding methods to extract relevant information to improve classification algorithm performance. The feature selection procedure is critical for large amounts of data with complicated interactions between attributes. It is, nevertheless, an extremely difficult process to do. Because of its global perspective search capability, EA, particularly MOEA, was recommended to address conflicting multi-objective real-world problems. Because feature selection tries to maximize classification accuracy while minimizing the number of features, which are often two opposing objectives, the feature selection process has evolved into a multi-objective problem. As a result, MOEA proposed in this thesis to solve the feature selection problem after showing that the algorithms are extremely efficient to handle this type of problem. Which, the principle of MOEA aims to provide a set of optimal solution set based on Pareto optimality theory. Three different types of MOEAs (E-MOEA, FastPGA, and NSGA-II) were proposed to handle the feature selection problem. Four different types of classification algorithms were proposed to ensure whether the performance of classification would improve. The experimental results showed that there is an improvement in classification algorithm performance with high accuracies and observing other evaluation metrics (Kappa and root mean square error) also proved the efficiency of MOEA. Besides found multiple alternative feature sets have different accuracies that could help to make accurate decisions.
Benzer Tezler
- Büyük boyutlu veriler için metasezgisel yöntemler ile öznitelik indirgemede yeni bir yaklaşım geliştirilmesi
Developing a new approach to feature selection with metaheuristic methods for large scale data
ESİN AYŞE ZAİMOĞLU
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NİLÜFER YURTAY
- Dynamic security enhancement of power systems via population based optimization methods integrated with artificial neural networks
Yapay sinir ağlarının entegre edildiği popülasyon tabanlı optimizasyon yöntemleriyle güç sistemlerinin dinamik güvenliğinin iyileştirilmesi
CAVİT FATİH KÜÇÜKTEZCAN
Doktora
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. VEYSEL MURAT İSTEMİHAN GENÇ
- Doğadan esinlenen evrimsel algoritmalara dayalı sorgu sınıflandırması için öznitelik seçimi & seçkili bilgi erişimi için aday kümesi seçimi
Feature selection for query classification & candidate set selection for selective information retrieval based on nature inspired evolutionary algorithms
HALİL İBRAHİM ÇAKIR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ARSLAN
- Multi-objective evolutionary algorithms for multi-label classification supported by deep auto-encoder on image and video data
Çok etiketli sınıflama ̇için çok amaçlı evrimsel algoritmaların derin otokodlayıcı desteği ̇ile resim ve video verilerine uygulanması
GİZEM NUR KARAGÖZ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET HALİT SEYFULLAH OĞUZTÜZÜN
PROF. DR. ADNAN YAZICI
- Meme kanseri hastalarının sağ kalım tahmini için öznitelik seçimi ve sınıflandırma algoritmalarının karşılaştırılması
Feature selection and comparision of classification algorithims for survival of breast cancer patients
GİZEM YAĞMUR ÖZKAN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEVCAN YILMAZ GÜNDÜZ