@article{article_1670485, title={GÖRÜNTÜ SINIFLANDIRMADA AŞIRI ÖĞRENME MAKİNESİ VE VARYANTLARININ PERFORMANS KARŞILAŞTIRMASI}, journal={Mühendislik Bilimleri ve Tasarım Dergisi}, volume={13}, pages={856–871}, year={2025}, DOI={10.21923/jesd.1670485}, author={Bozoğlan, Kübra and Yüzgeç, Uğur}, keywords={Aşırı Öğrenme Makineleri, Görüntü Sınıflandırma, Makine Öğrenmesi}, abstract={Görüntü sınıflandırma tıp, tarım, güvenlik ve daha fazlası gibi çeşitli alanlarda kritik bir teknolojidir. Makine öğrenmesi algoritmaları, özellikle de Aşırı Öğrenme Makineleri (ELM), hızlı öğrenme yetenekleri ve yüksek doğruluk oranları nedeniyle dikkat çekmiştir. Bununla birlikte, ELM’nin performansı veri kümesine ve uygulama senaryosuna bağlı olarak değişebilir. Bu çalışma, ELM modelinin ve geliştirilmiş varyantlarının (artımlı aşırı öğrenme makinesi (IELM), çevrimiçi sıralı aşırı öğrenme makinesi (OSELM), düzenli aşırı öğrenme makinesi (RELM) ve kısıtlı aşırı öğrenme makinesi (CELM)) performansını görüntü sınıflandırma bağlamında değerlendirmeyi ve karşılaştırmayı amaçlamaktadır. Bu modeller dört farklı veri kümesi üzerinde test edilmiştir: MNIST, beyin MRI görüntüleri, pirinç görüntüleri ve araç sürücülerinin görüntüleri. Modellerin performansları başarı oranları, kesinlik, geri çağırma ve F1 puanlarına göre değerlendirilmiştir. Sonuçlar, CELM modelinin en yüksek başarı oranını elde ettiğini, IELM modelinin ise en düşük performansı gösterdiğini ortaya koymuştur. Bu bulgular, her modelin kendine özgü yapısal özelliklerinin sınıflandırma başarısını nasıl etkilediğine dair değerli bilgiler sağlamaktadır. Ayrıca, veri kümeleri arasındaki performans farklılıkları, veri kümesi özelliklerine göre en etkili modelin seçilmesi için önemli ipuçları sunmaktadır. Araştırmacılar ve uygulayıcılar, her modelin güçlü yönlerini ve sınırlamalarını anlayarak, görüntü sınıflandırma zorluklarını ele alırken bilinçli kararlar verebilirler.}, number={3}, publisher={Süleyman Demirel Üniversitesi}