Makine Öğrenmesi Algoritmalarının Performansını Artırmak için Metasezgisel Algoritma Tabanlı Öznitelik Seçimi

Abstract

Artan veri dünyasında, makine öğrenmesi (ML) algoritmalarının başarısı büyük ölçüde öznitelik seçimi süreçlerine bağlıdır. Öznitelik seçimi, gereksiz, etiketsiz veya gürültülü öznitelikleri eleyerek daha küçük ve anlamlı bir öznitelik kümesi oluşturmayı hedefler. Bu çalışmanın amacı, metasezgisel algoritmalar sayesinde veri kümelerinden en anlamlı öznitelikleri elde ederek ML algoritmalarının farklı kıyaslama ölçütlerine göre daha iyi performans elde etmesini sağlamaktır. Bu kapsamda, öznitelik seçimi için metasezgisel algoritmalardan İkili Parçacık Sürü Optimizasyonu ve Genetik Algoritma kullanılarak iki farklı veri seti üzerinde deneysel araştırmalar gerçekleştirilmiştir. Sonar ve Meme Kanseri veri setlerinde, K-En Yakın Komşu, Destek Vektör Makinesi ve Karar Ağaçları sınıflandırma algoritmaları amaç fonksiyonu olarak kullanılmıştır. Her iki algoritma için de farklı popülasyon büyüklüğünde yüksek iterasyonlarda öznitelik seçimi yapılmış, ardından seçilen en iyi öznitelikler farklı ML modeli (Lojistik Regresyon, Naive Bayes, Aşırı Gradyan Arttırma, Yapay Sinir Ağları, Evrişimsel Sinir Ağları ve Uzun Kısa Süreli Bellek) ile değerlendirilmiştir. Sonuçlar, İkili Parçacık Sürü Optimizasyon ve Genetik Algoritma yöntemlerinin öznitelik seçimi sonrası model doğruluklarında anlamlı artışlara yol açtığını göstermiştir. Elde edilen sonuçların metasezgisel algoritmalar kullanarak özellik seçim sürecini geliştiren araştırmacılara katkı sağlaması amaçlanmaktadır. Bu bulgular, metasezgisel algoritmaların öznitelik seçimi sürecinde etkinliğini ve çeşitli ML modelleri ile birleşmesinin performans iyileştirmedeki potansiyelini desteklemektedir.