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

  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: Belirtilmemiş.
  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: 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

  1. Deep learning ensembles for image understanding

    Başlık çevirisi yok

    SARA ATITO ALI AHMED

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE BERRİN YANIKOĞLU YEŞİLYURT

  2. Küçük veri setleri için derin öğrenme

    Deep learning for small datasets

    TUNÇ GÜLTEKİN

    Doktora

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AYBARS UĞUR

  3. Dıyabetik retinopatinin şiddet seviyesinin tespitiiçin mobil kenar hesaplama ve derin öğrenmetopluluklarına dayanan bir yöntem

    A novel framework for severity level detection of diabetic retinopathy based on mobile edge computing and deep learning ensembles

    AHMED AL-KARAWI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ERCAN AVŞAR

  4. An approach for multi-hazard susceptibility assessment for landslides, earthquakes and floods

    Heyelan, deprem ve taşkın tehlikelerinin çoklu duyarlılık değerlendirmesi için bir yaklaşım

    GİZEM KARAKAŞ

    Doktora

    İngilizce

    İngilizce

    2024

    Jeodezi ve FotogrametriHacettepe Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. SULTAN KOCAMAN GÖKÇEOĞLU

  5. Dynamic ensemble diversification and hash-based undersampling for the classification of multi-class imbalanced data streams

    Çok sınıflı dengesiz veri akışlarının sınıflandırılması için dinamik topluluk çeşitlendirme ve kargaşa-tabanlı az örnekleme

    SOHEIL ABADIFARD

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. FAZLI CAN