Yeni bir metasezgisel algoritma ile makine öğrenmesi modellerinin optimizasyonu
Optimization of machine learning models using a novel metaheuristic algorithm
- Tez No: 935521
- Danışmanlar: DOÇ. DR. BAHADIR GÜLSÜN
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 86
Özet
Tahminleme, gelecekteki eğilimleri öngörebilmek için önemli bir araç olup; mühendislik, finans, sağlık gibi çeşitli alanlarda bilgiye dayalı kararlar alabilmek için kullanılmaktadır. Doğru tahminleme, kaynakların etkin bir şekilde dağıtılması, envanterin yönetilmesi ve kararların bilgiyle desteklenmesi açısından yadsınamaz bir öneme sahiptir. Verilerin giderek daha karmaşık hale gelmesi sebebiyle, makine öğrenimi modelleri, karmaşık veri desenlerini öğrenme ve anlamlandırma yetenekleri sayesinde, güvenilir tahminleme sistemleri oluşturmak için değerli araçlar haline gelmiştir. Bu çalışma, makine öğrenimi algoritmaları ile geliştirilen tahminleme modellerinin optimizasyonunu gerçekleştirmek amacıyla, Yapay Arı Kolonisi (ABC) ve Ateş Şahini Optimizasyonu (FHO) algoritmalarını birleştiren yeni bir metasezgisel algoritma (ABC-FHO) sunmaktadır. İki metasezgisel algoritmanın güçlü yönlerinden yararlanılarak oluşturulan hibrit yaklaşım, tahminlerin doğruluğunu ve güvenilirliğini arttırmaktadır. Bu çalışmanın odağı, yaygın olarak kullanılan bir makine öğrenimi algoritması olan Ekstrem Gradyan Arttırma (XGBoost) ile oluşturulan tahmin modellerinin hiperparametrelerini optimize ederek, makine öğrenimi modellerinin performansını geliştirmektir. Üç farklı veri seti üzerinde yapılan testler, hibrit ABC-FHO modelinin Genetik Algoritma (GA), Gri Kurt Optimizasyonu (GWO), Yapay Tavşan Optimizasyonu (ARO), Beyaz Köpek Balığı Optimizasyonu (WSO), bağımsız ABC ve bağımsız FHO gibi algoritmalardan daha iyi performans gösterdiğini ortaya koymaktadır. Ayrıca, bu çalışmada FHO, tahminleme modellerinde hiperparametre optimizasyonu için ilk kez uygulanmıştır. İstatistiksel performans metrikleri ve istatistiksel testler kullanılarak değerlendirilen sonuçlar, ABC-FHO algoritmasının üstün performansını doğrulamaktadır. Bu çalışma, tahminleme tekniklerinde önemli bir ilerleme sağlayarak, tahmin modellerinin iyileştirilmesi ve çeşitli alanlarda bilgiye dayalı, daha güvenilir karar alma süreçlerini desteklemek için pratik ve etkili bir çözüm sunmaktadır.
Özet (Çeviri)
Forecasting is a critical tool for predicting future trends and making informed decisions across various fields such as engineering, finance, and healthcare. Accurate forecasting is essential for effectively allocating resources, managing inventory, and supporting better decision-making processes. Due to the increasing complexity of data, machine learning models have become valuable tools for creating reliable forecasting systems, thanks to their ability to learn and interpret complex data patterns. This study presents a novel metaheuristic algorithm that combines the Artificial Bee Colony (ABC) and Fire Hawk Optimizer (FHO) algorithms to enhance the forecasting models success developed using machine learning algorithms. The novel hybrid approach (ABC-FHO), which leverages the strengths of both metaheuristic algorithms, enhances the accuracy and reliability of forecasts. The focus of the research is to enhance the performance of machine learning models by optimizing the hyperparameters of prediction models built using the widely known machine learning algorithm, Extreme Gradient Boosting (XGBoost). Tests conducted on three different datasets reveal that the hybrid model consistently outperforms algorithms such as Genetic Algorithm (GA), Grey Wolf Optimizer (GWO), Artificial Rabbits Optimization (ARO), White Shark Optimizer (WSO), ABC, and FHO. Furthermore, this study marks the first application of FHO for hyperparameter optimization in forecasting models. Results, evaluated using statistical performance metrics and statistical tests, confirm the superior performance of the ABC-FHO model. This study provides a practical and effective solution for improving forecasting models, thereby supporting better data-driven decision-making processes across various fields.
Benzer Tezler
- Contributions to the determination of optimized driving strategies for electric vehicles using artificial intelligence based methods
Elektrikli araçlar için yapay zeka tabanlı yöntemlerle en uygunlaştırılmış sürüş stratejilerinin belirlenmesine katkılar
UFUK BOLAT
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA AHMET KOCABAŞ
DOÇ. DR. GÜLCİHAN ÖZDEMİR
- Analysis of network security using machine learning methods
Makine öğrenmesi yöntemleri kullanılarak ağ güvenirliği analizi
MARYAM SALATI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İMAN ASKERBEYLİ
- 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
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Yağmur suyu ızgaralarının hidrolik verimliliğinin makine öğrenmesi yöntemleriyle modellenmesi
Modeling of hydraulic efficiency of storm water grate inlets by machine learning methods
KAYHAN BAYHAN
Yüksek Lisans
Türkçe
2023
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ÖZGER
- Çok amaçlı akıllı metasezgisel optimizasyon modeli ile nicel verilerde kural çıkarım temelli sınıflandırma modellerinin geliştirilmesi
Development of rule mining based classification models for quantitative data with many-objective intelligent metaheuristic optimization model
SUNA YILDIRIM
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. BİLAL ALATAŞ