ÇOK AMAÇLI AKILLI METASEZGİSEL OPTİMİZASYON MODELİ İLE NİCEL VERİLERDE KURAL ÇIKARIM TEMELLİ SINIFLANDIRMA MODELLERİNİN GELİŞTİRİLMESİ

Abstract

Veri madenciliğinin önemli bir alt dalı olan sınıflandırma kural madenciliği, veri setlerinde insan gözü ve algısı ile anlaşılamayacak örüntüleri ve ilişkileri keşfetmeyi amaçlar. Günümüzde klasik makine öğrenmesi temelli kural madenciliği yöntemlerinin çoğu, başarılarının yanında kara-kutu modeller olma handikabına da sahiptir. Özellikle güvenlik, sağlık ve hukuk gibi alanlarda kullanılan makine öğrenmesi yöntemlerindeki yorumlanabilirlik, karar vericiler için kritik olabilmektedir. Bu sebeple, son yıllarda yorumlanabilir veya açıklanabilir yapay zekâ modellerinin geliştirilmesi üzerine yapılan çalışmalar hız kazanmıştır. Yapay zekâ ve onun alt dalı olan makine öğrenmesi yöntemlerine yorumlanabilirlik katan farklı teknikler önerilmeye devam etmektedir. Bununla birlikte önerilen bu teknikler içerisinde metasezgisel optimizasyon temelli yaklaşımların kullanılması sınırlı kalmıştır. Oysaki metasezgisel algoritmaların doğasında bulunan gelişmiş arama mekanizmaları, uygun temsil biçimleri ile kullanıldıklarında yorumlanabilirliği sağlayan esnek çözümler sunabilirler. Bu tez çalışması da literatürdeki bu eksikliği görerek, sınıflandırma kural madenciliği için yeni bir yorumlanabilir çok fazla amaçlı metasezgisel yaklaşımların geliştirilmesini araştırmıştır. Tezin en önemli özgünlüğü, kural madenciliği alanında ilk kez kullanılan, çok fazla amaçlı metasezgisel yaklaşımdır. Daha önce, literatürde önerilmiş tek amaçlı ve çok amaçlı yaklaşımlardan farklı olarak, geliştirilen yaklaşım, aynı anda çelişen dört faklı veri madenciliği metriğini optimize edebilir ve karar vericiye yorumlanabilir farklı çözümler sunabilir. Bu yöntemin geliştirilmesi, tez çalışmaları esnasında aşamalı olarak gerçekleştirilmiştir. Öncelikle metasezgisel yaklaşımların kural madenciliğine nasıl uyarlanabileceği ve yeni yöntemlerin nasıl gerçekleştirilebileceği gösterilmiştir. Bu aşamalar, aynı zamanda, geliştirilmesi hedeflenen, çok fazla amaçlı metasezgisel yöntemde de kullanılacak yenilikçi alt mekanizmaları test etmeye imkân sağlamıştır. Son aşamada ise geliştirilen metasezgisel yaklaşımın başarımı, farklı makine öğrenmesi yöntemleri ile karşılaştırmalı olarak test edilmiştir. Sonuçlar, literatürde ilk kez önerilen bu kural madenciliği yaklaşımının başarımını ispatlamıştır.

Classification rule mining, an important sub-field of data mining, aims to discover patterns in data sets that cannot be understood by the human perception. Today, most of the classical machine learning-based rule mining methods, despite their success, also have the handicap of being black-box models. Interpretability in machine learning methods, especially used in fields such as security, health and law, can be critical for decision makers. For this reason, studies on the development of interpretable or explainable artificial intelligence models have accelerated in recent years. Different techniques that add interpretability to machine learning methods continue to be proposed. However, among these proposed techniques, the use of metaheuristic optimization-based approaches has been limited. The advanced search mechanisms inherent in metaheuristic algorithms can offer flexible solutions. This thesis, seeing this gap in the literature, investigated the development of a new interpretable many-objective metaheuristic approach for classification rule mining. The most important originality of the thesis is the many-objective metaheuristic approach used for the first time in the field of rule mining. Unlike the approaches previously proposed, the developed approach can simultaneously optimize four different conflicting data mining metrics and provide interpretable solutions. The development of this method was carried out in stages during the thesis. Firstly, it is shown how metaheuristic approaches can be adapted to rule mining. These stages also provided the opportunity to test sub-mechanisms that will be used. In the last stage, the performance of the developed metaheuristic approach was tested comparatively with different machine learning methods. The results prove the success of this new rule mining approach.