Geri Dön

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

PDF İndir

  1. Tez No: 902945
  2. Yazar: HALİL İBRAHİM DEMİREL
  3. Danışmanlar: PROF. DR. SÜREYYA AKYÜZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Makine öğrenmesi, Yapay zeka, Öge seçimi, Machine learning, Artificial intelligence, Feature selection
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapay Zeka Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

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

  1. Tez No

    991675

    Incremental heuristic meta-learning using reinforcement learning

    Pekiştirmeli öğrenme kullanarak artımsal sezgisel üst-öğrenme

    ONUR KARADELİ

    Doktora

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞULE ÖĞÜDÜCÜ

  2. Tez No

    987771

    CMMcihazındaki verilerden makine öğrenmesi ile parça kontrolü

    Part control with machine learning from data on CMM device

    ZEYNEP BİRGİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Metalurji MühendisliğiSakarya Üniversitesi

    Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NURAY CANİKOĞLU

  3. Tez No

    1010378

    Profit-driven spline-rule ensembles for credit scoring

    Kredi puanlaması için kâr odaklı splıne kural toplulukları

    EREN BERK AYTAÇ

    Doktora

    İngilizce

    İngilizce

    2026

    Mühendislik BilimleriBahçeşehir Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SÜREYYA AKYÜZ

  4. Tez No

    995477

    A novel approach to house price prediction using segmented bayesian optimization based ensemble models

    Segmentasyon ile bayes optimizasyon tabanlı ensemble modelleri kullanarak ev fiyatları öngörüsüne yeni bir yaklaşım

    ARTUN PINAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Büyük Veri ve İş Analitiği Ana Bilim Dalı

    DOÇ. DR. TUNCAY ÖZCAN

  5. Tez No

    979240

    Novel joint optimization of gradient boosting decision trees and sarimax models for nonlinear time series regression using a state space approach

    Durum uzayı yaklaşımı kullanılarak doğrusal olmayan zaman serisi regresyonu için gradyan artırıcı karar ağaçları ve sarımax modellerinin yeni birleşik optimizasyonu

    AHMET BERKER KOÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SÜLEYMAN SERDAR KOZAT

Geri Dön