A novel ensemble framework for XAİ-based feature selection in machine learning models
Makine öğrenimi modellerinde XAİ tabanlı özellik seçimi için yeni bir ensemble çerçevesi
- Tez No: 902945
- Danışmanlar: PROF. DR. SÜREYYA AKYÜZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: 85
Özet
Makine öğrenimi (ML) modellerinin etkinliğini ve anlaşılabilirliğini artırmak amacıyla bu çalışma, özellik seçiminin model performansı üzerindeki etkisini araştırmaktadır. Random Forest ve Gradient Boosting Machines gibi modellerin, SHAP kullanılarak Açıklanabilir Yapay Zeka (XAI) teknikleri ile nasıl entegre edilebileceğini incelemektedir. SpamBase, Wisconsin Meme Kanseri ve EEG Yaratıcılık gibi veri kaynaklarından elde edilen veriler kullanılarak çeşitli özellik seçimi yöntemleri değerlendirilmiştir. Yeni hibrit özellik seçimi yöntemi, model doğruluğunu ve açıklanabilirliğini artırırken, kesinlikten ödün vermeden kapsamlı bir çözüm sunmaktadır. Bu çalışmada ortaya konan yaklaşım, karmaşık modellerin ve büyük veri setlerinin işlenmesinde güvenilir ve etkili makine öğrenimi modellerinin geliştirilmesine katkı sağlamaktadır. Ayrıca, EEG verileriyle yapılan testler, biyomedikal veri analizi gibi alanlarda önerilen tekniklerin verimliliğini doğrulamaktadır. Bu tez, makine öğreniminin teorik temelleri ve pratik uygulamalarında önemli bir ilerleme kaydetmektedir. Önerilen yaklaşımların uygulanabilirliği ve ölçeklenebilirliği, makine öğrenimi topluluğuna değerli katkılar sunmaktadır. Çalışmanın bulguları, net ve etkili modellerin hayati önem taşıdığı karar verme süreçlerini etkileyebilir.
Özet (Çeviri)
To improve the effectiveness and readability of machine learning (ML) models, this study explores the impact of feature selection on model performance. It investigates how models like Random Forests and Gradient Boosting Machines can be integrated with Explainable Artificial Intelligence (XAI) techniques using SHAP. Various feature selection methods are examined using data from sources like SpamBase, Breast Cancer Wisconsin, and EEG Creativity. The new hybrid feature selection method enhances model accuracy and interpretability without sacrificing precision. The results demonstrate that the combination approach provides a comprehensive solution for achieving precision while enhancing model interpretability. The approach outlined in this study advances the development of reliable and effective machine learning models, particularly in handling complex models and large datasets. Additionally, tests conducted using EEG data validate the efficiency of the proposed techniques in data fields such as biomedical data analysis. This thesis marks a significant advancement in the theoretical foundations and practical applications of machine learning. The practicality and scalability of the proposed approaches offer valuable assets to the machine-learning community. The findings of this study could influence crucial decision-making processes where clear and effective models are essential.
Benzer Tezler
- Kolektif öğrenmede alt küme bölümlendirmesine yenilikçi bir yaklaşım
An innovative approach to subset partitioning in ensemble learning
MEERIM KUBATOVA
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN ÇETİN
- Deep learning ensembles for image understanding
Başlık çevirisi yok
SARA ATITO ALI AHMED
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE BERRİN YANIKOĞLU YEŞİLYURT
- Küçük veri setleri için derin öğrenme
Deep learning for small datasets
TUNÇ GÜLTEKİN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYBARS UĞUR
- Yeni bir zaman serisi öngörü yaklaşımı: genetik algoritmaya dayalı bulanık evrişimsel sinir ağı regresyon fonksiyonları
A new time series forecasting approach: fuzzy convolutional neural network regression functions based on genetic algorithm
FURKAN KESKİN
Yüksek Lisans
Türkçe
2025
İstatistikMarmara Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. ÖZGE CAĞCAĞ YOLCU
- A novel framework for real time transient stability prediction in power systems under data integrity attacks
Veri bütünlüğü saldırıları altındaki güç sistemlerinde gerçek zamanlı geçici hal kararlılık tahmini için özgün bir yaklaşım
KEMAL AYGÜL
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ