A SYSTEMATIC COMPARISON OF ENSEMBLE MODELS UNDER CONTROLLED CLASS IMBALANCE SCENARIOS

Muhammed Abdulhamid Karabıyık

Makale detayları

A SYSTEMATIC COMPARISON OF ENSEMBLE MODELS UNDER CONTROLLED CLASS IMBALANCE SCENARIOS

Yazarlar:

Muhammed Abdulhamid Karabıyık

Yayıncı:

Isparta University of Applied Sciences

Ana Başlıklar:

Bilgi Sistemleri Felsefesi | Araştırma Yöntemleri ve Teori

Dergi:

Uluslararası Sürdürülebilir Mühendislik ve Teknoloji Dergisi Vol.9 Issue 1, pp.41-50

Belge Tipi:

Makale

Yayın Tarihi:

6/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001353495

pISSN:

2618-6055

Anahtar kelimeler:

Özet:

 This study aims to investigate the impact of class imbalance on ensemble learning algorithms through a controlled experimental design. Four different class distribution scenarios original, mild, moderate, and severe imbalance were applied to the Iris and Wine datasets, and three ensemble models Random Forest, Gradient Boosting, and Bagging were evaluated in each scenario. Model performance was assessed using not only accuracy but also multiple metrics such as Macro-F1, Balanced Accuracy, G-Mean, and Cohens Kappa. The findings reveal that Gradient Boosting suffered significant performance degradation under high imbalance conditions, while Random Forest consistently delivered stable and reliable results across all scenarios. These results highlight the importance of selecting imbalance-resilient models and conducting evaluations using multiple performance indicators in imbalanced classification tasks.

 This study aims to investigate the impact of class imbalance on ensemble learning algorithms through a controlled experimental design. Four different class distribution scenarios original, mild, moderate, and severe imbalance were applied to the Iris and Wine datasets, and three ensemble models Random Forest, Gradient Boosting, and Bagging were evaluated in each scenario. Model performance was assessed using not only accuracy but also multiple metrics such as Macro-F1, Balanced Accuracy, G-Mean, and Cohens Kappa. The findings reveal that Gradient Boosting suffered significant performance degradation under high imbalance conditions, while Random Forest consistently delivered stable and reliable results across all scenarios. These results highlight the importance of selecting imbalance-resilient models and conducting evaluations using multiple performance indicators in imbalanced classification tasks.

 This study aims to investigate the impact of class imbalance on ensemble learning algorithms through a controlled experimental design. Four different class distribution scenarios original, mild, moderate, and severe imbalance were applied to the Iris and Wine datasets, and three ensemble models Random Forest, Gradient Boosting, and Bagging were evaluated in each scenario. Model performance was assessed using not only accuracy but also multiple metrics such as Macro-F1, Balanced Accuracy, G-Mean, and Cohens Kappa. The findings reveal that Gradient Boosting suffered significant performance degradation under high imbalance conditions, while Random Forest consistently delivered stable and reliable results across all scenarios. These results highlight the importance of selecting imbalance-resilient models and conducting evaluations using multiple performance indicators in imbalanced classification tasks.

 Bu çalışma, sınıf dengesizliğinin topluluk öğrenme algoritmaları üzerindeki etkisini kontrollü bir deneysel tasarım ile incelemeyi amaçlamaktadır. Çalışma kapsamında, Iris ve Wine veri setleri üzerinde dört farklı sınıf dağılımı senaryosu orijinal, hafif, orta ve şiddetli dengesizlik uygulanmış ve her senaryoda Random Forest, Gradient Boosting ve Bagging algoritmaları test edilmiştir. Değerlendirmelerde yalnızca doğruluk değil, aynı zamanda Macro-F1, Balanced Accuracy, G-Mean ve Cohen Kappa gibi çoklu performans metrikleri kullanılmıştır. Elde edilen bulgular, Gradient Boosting modelinin yüksek dengesizlik düzeylerinde ciddi performans kayıpları yaşadığını; buna karşılık Random Forest algoritmasının tüm senaryolarda kararlı ve güvenilir sonuçlar sunduğunu ortaya koymuştur. Bu yönüyle çalışma, sınıf dengesizliğine karşı dayanıklı model seçiminin ve çok boyutlu metriklerle yapılan değerlendirmelerin önemini vurgulamaktadır.

Makale detayları

A SYSTEMATIC COMPARISON OF ENSEMBLE MODELS UNDER CONTROLLED CLASS IMBALANCE SCENARIOS

Yazarlar:

Muhammed Abdulhamid Karabıyık

Yayıncı:

Isparta University of Applied Sciences

Ana Başlıklar:

Bilgi Sistemleri Felsefesi | Araştırma Yöntemleri ve Teori

Dergi:

Uluslararası Sürdürülebilir Mühendislik ve Teknoloji Dergisi Vol.9 Issue 1, pp.41-50

Belge Tipi:

Makale

Yayın Tarihi:

6/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001353495

pISSN:

2618-6055

Class imbalance

ensemble learning

Random Forest

performance metrics

imbalanced datasetsSınıf dengesizliği

topluluk öğrenme

Random Forest

performans metrikleri

dengesiz veri setleri

Sayı

Makale detayları

Yazarlar: Muhammed Abdulhamid Karabıyık

Yayıncı: Isparta University of Applied Sciences

Ana Başlıklar: Bilgi Sistemleri Felsefesi | Araştırma Yöntemleri ve Teori

Dergi: Uluslararası Sürdürülebilir Mühendislik ve Teknoloji Dergisi Vol.9 Issue 1, pp.41-50

Belge Tipi: Makale

Yayın Tarihi: 6/2025

Belge Dili: Türkçe

Document ID (Org No.): 2001353495

pISSN: 2618-6055

Sayı

Yazarlar:

Muhammed Abdulhamid Karabıyık

Yayıncı:

Isparta University of Applied Sciences

Ana Başlıklar:

Bilgi Sistemleri Felsefesi | Araştırma Yöntemleri ve Teori

Dergi:

Uluslararası Sürdürülebilir Mühendislik ve Teknoloji Dergisi Vol.9 Issue 1, pp.41-50

Belge Tipi:

Makale

Yayın Tarihi:

6/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001353495

pISSN:

2618-6055