SINIFLANDIRMA PROBLEMLERİ İÇİN AGDE-TABANLI META-SEZGİSEL BOYUT İNDİRGEME ALGORİTMASININ GELİŞTİRİLMESİ

Hamdi KAHRAMAN; Büşra ARAS; Orhun YILDIZ

Makale detayları

SINIFLANDIRMA PROBLEMLERİ İÇİN AGDE-TABANLI META-SEZGİSEL BOYUT İNDİRGEME ALGORİTMASININ GELİŞTİRİLMESİ

Yazarlar:

Hamdi KAHRAMAN | Büşra ARAS | Orhun YILDIZ

Yayıncı:

Süleyman Demirel University

Ana Başlıklar:

Veri işleme & bilgisayar bilimi

Dergi:

Journal of Engineering Sciences and Design 2020 Vol.8 Issue 5, pp.206-217

Belge Tipi:

Makale

Yayın Tarihi:

12/2020

Belge Dili:

Türkçe

Document ID (Org No.):

2000601983

Sıklık:

Üç Aylık

eISSN:

1308-6693

Özet:

 

Classification problems represent a wide range of applications of artificial intelligence. Depending on the properties of classification problems, algorithms' performances may vary. If the number of attributes/features of a problem changes, the performance of the algorithm used to solve this problem also changes. For almost all algorithms, increasing problem dimension is a factor that negatively affects performance. Therefore, dimensionality reduction is an important issue that is studied extensively. It is a difficult task to create the most suitable model for the problem, especially in high-dimensional search spaces (with a high number of independent variables). It is impossible to find the best overall solution in highly complex search spaces. Therefore, the ideal solution for such search problems is to use meta-heuristic search algorithms. In this article, meta-heuristic feature selection method based on AGDE (adaptive guided differential evolution) algorithm is developed for dimensionality reduction in classification problems. The developed method enables the weighting of the attributes and the determination of the weighted features less than the threshold value. The results obtained from the experimental studies show that AGDE-based dimensionality reduction method has very effective performance for classification problems.

 

Sınıflandırma problemleri yapay zekanın geniş bir uygulama alanını temsil etmektedirler. Sınıflandırma problemlerinin özelliklerine bağlı olarak algoritmaların performansları değişebilmektedir. Bir sınıflandırma probleminin boyutunun ya da nitelik sayısının değişmesi durumunda performansı bundan etkilenmeyen bir algoritma yoktur. Hemen tüm algoritmalar için problem boyutunun artması performansı olumsuz yönde etkileyen bir faktördür. Dolayısıyla sınıflandırma problemlerinde problem boyutu azaltma üzerinde yoğun bir şekilde çalışılan önemli bir konudur. Özellikle yüksek boyutlu nitelik uzaylarında problem için en uygun modeli yaratmak zor bir görevdir. Karmaşıklık düzeyi yüksek arama uzaylarında genel en iyi çözümü bulmak olanaksız olarak tanımlanmaktadır. Dolayısıyla bu tür arama problemleri için en ideal çözüm yolu meta-sezgisel arama algoritmalarından faydalanmaktır. Bu makale çalışmasında sınıflandırma problemlerinde boyut azaltmak için AGDE (adaptive guided differential evolution) algoritması temelli meta-sezgisel nitelik seçim yöntemi geliştirilmektedir. Geliştirilen yöntem niteliklerin ağırlıklandırılmasını ve eşik değerden küçük ağırlıklı niteliklerin tespit edilmesini sağlamaktadır. Deneysel çalışmalardan elde edilen sonuçlar AGDE-tabanlı nitelik seçim yönteminin sınıflandırma problemleri için etkili bir boyut azaltma aracı olduğunu göstermektedir.

Makale detayları

SINIFLANDIRMA PROBLEMLERİ İÇİN AGDE-TABANLI META-SEZGİSEL BOYUT İNDİRGEME ALGORİTMASININ GELİŞTİRİLMESİ

Yazarlar: Hamdi KAHRAMAN | Büşra ARAS | Orhun YILDIZ

Yayıncı: Süleyman Demirel University

Ana Başlıklar: Veri işleme & bilgisayar bilimi

Dergi: Journal of Engineering Sciences and Design 2020 Vol.8 Issue 5, pp.206-217

Belge Tipi: Makale

Yayın Tarihi: 12/2020

Belge Dili: Türkçe

Document ID (Org No.): 2000601983

Sıklık: Üç Aylık

eISSN: 1308-6693

Sayı

Yazarlar:

Hamdi KAHRAMAN | Büşra ARAS | Orhun YILDIZ

Yayıncı:

Süleyman Demirel University

Ana Başlıklar:

Veri işleme & bilgisayar bilimi

Dergi:

Journal of Engineering Sciences and Design 2020 Vol.8 Issue 5, pp.206-217

Belge Tipi:

Makale

Yayın Tarihi:

12/2020

Belge Dili:

Türkçe

Document ID (Org No.):

2000601983

Sıklık:

Üç Aylık

eISSN:

1308-6693