BibTex RIS Kaynak Göster

HYBRID METHOD USING DIFFERENTIAL EVOLUTION ALGORITHM AND ARTIFICIAL BEE COLONY OPTIMIZATION TECHNIQUE FOR FEATURE SELECTION PROBLEM

Yıl 2014, Cilt: 16 Sayı: 48, 49 - 60, 01.09.2014

Öz

Aim of the feature selection process is to find the best features which can represent the dataset by narrowing the feature space optimally. This study proposes a new hybrid method which combines Artificial Bee Colony and Differential Evolution algorithms for feature selection problem of classification tasks. The proposed algorithm was tested using decision tree classifier (J48) on UCI datasets. The experimental results show that the new hybrid method reduces the number of features by not decreasing or least decreasing the classification performance and therefore the time which it takes for classification of new instances decreases as well

Kaynakça

  • Abdullah A., Deris S., Anwar S. (2011): “Hybrid Evolutionary Clonal Selection for Parameter Estimation of Biological Model”, International Journal of Computer Applications in Engineering Sciences, Cilt 1, No. 3, s.313-319.
  • Abraham A., Jatoth R.K., Rajasekhar A. (2012): “Hybrid Differential Artificial Bee Colony Algorithm”, Journal of Computational and Theoretical Nanoscience, Cilt 9, No. 2, s.249
  • Alizadegan A., Meybodi M. R., Asady B. (2012): “A Novel Hybrid Artificial Bee Colony Algorithm and Differential Evolution for Unconstrained Optimization Problems”, Advances in Computer Science and Engineering, Cilt 8, No. 1, s.45-56.
  • Chen Y., Miao D., Wang R. (2010): “A Rough Set Approach to Feature Selection Based on Ant Colony Optimization”, Pattern Recognition Letters, Elsevier, s.226-233.
  • Gao W.F., Liu S. (2011): “Improved Artificial Bee Colony Algorithm for Global Optimization”, Information Processing Letters, Elsevier, s.871-882.
  • Karaboğa D., Baştürk B. (2008): “On the Performance of Artificial Bee Colony (ABC) Algorithm”, Applied Soft Computing, Elsevier, s.687-697.
  • Keskintürk T. (2006): “Diferansiyel Gelişim Algoritması”, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, Cilt 1, s.85-99.
  • Khushaba R. N., Al-Ani A., Al-Jumaily A. (2011): “Feature Subset Selection Using Differential Evolution and A Statistical Repair Mechanism”, Expert Systems with Applications, Elsevier, s.11515-11526.
  • Li X., Yin M. (2012): “Hybrid Differential Evolution with Artificial Bee Colony and Its Application for Design of A Reconfigurable Antenna Array with Discrete Phase Shifters”, IET Microwaves Antennas & Propagation, Cilt 6, No. 14, s.1573–1582.
  • Mallipeddi R., Suganthan P. N., Pan Q. K., Tasgetiren M. F. (2011): “Differential Evolution Algorithm with Ensemble of Parameters and Mutation Strategies”, Applied Soft Computing, Elsevier, s.1679-1696.
  • Montgomery J., Chen S. (2010): “An Analysis of the Operation of Differential Evolution at High and Low Crossover Rates”, Evolutionary Computation (CEC), IEEE Congress, s.1-8.
  • Palanisamy S., Kanmani S. (2012): “Artificial Bee Colony Approach for Optimizing Feature Selection”, International Journal of Computer Science Issues, Cilt 9, No. 3, s.432-438.
  • Prasartvit T., Banharnsakun A., Kaewkamnerdpong B., Achalakul T. (2013): “Reducing Bioinformatics Data Dimension with ABC-kNN”, Neurocomputing, Elsevier, s.367-381.
  • Sá Â. A., Andrade A. O., Soares A. B. (2008): “Exploration vs. Exploitation in Differential Evolution”, AISB Convention Communication, Interaction and Social Intelligence, Cilt 1, s.57-63.
  • Saraç E., Özel S.A. (2010): “URL Tabanlı Web Sayfası Sınıflandırma”, ASYU Sempozyumu, s.13-17.
  • Schiezaro M.,Pedrini H. (2013): “Data Feature Selection Based on Artificial Bee Colony Algorithm”, EURASIP Journal on Image and Video Processing, Springer US, s.1-8.
  • Shanthi S., Bhaskaran V.M. (2014): “Modified Artificial Bee Colony Based Feature Selection: A New Method in the Application of Mammogram Image Classification”, International Journal of Science, Engineering and Technology Research, Cilt 3, No. 6, s.1664-1667.
  • Storn R., Price K. (1997): “Differential Evolution–A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces”, Journal of Global Optimization, Springer US, s.341-359.
  • Xu Y., Fan P., Yuan L. (2013): “A Simple and Efficient Artificial Bee Colony Algorithm”, Mathematical Problems in Engineering, Hindawi, s.1-9.
  • Yang J., Honavar V. (1998): “Feature Subset Selection Using A Genetic Algorithm”, Feature Extraction, Construction and Selection, Springer US, s.117-136.
  • Yang Y., Pedersen J. O. (1997): “A Comparative Study on Feature Selection in TextCategorization”, ICML, Cilt 97, s.412-420.
  • Yusoff S. A. M., Abdullah R., Venkat I. (2014): “Adapted Bio-inspired Artificial Bee Colony and Differential Evolution for Feature Selection in Biomarker Discovery Analysis”, Recent Advances on Soft Computing and Data Mining, Springer International Publishing, s.111
  • Zhang Y., Wu L., Wang S. (2011): “Magnetic Resonance Brain Image Classification by An Improved Artificial Bee Colony Algorithm”, Progress in Electromagnetics Research, Cilt 116, s.65-79.

NITELIK SEÇME PROBLEMI IÇIN DIFERANSIYEL GELIŞIM ALGORITMASI VE YAPAY ARI KOLONISI OPTIMIZASYON TEKNIĞINI KULLANAN MELEZ YÖNTEM

Yıl 2014, Cilt: 16 Sayı: 48, 49 - 60, 01.09.2014

Öz

Nitelik seçme işlemi ile özellik uzayı optimum şekilde daraltılarak veri kümesini en iyi
şekilde temsil edebilecek niteliklerin bulunması amaçlanır. Bu çalışma sınıflandırma işlemleri
üzerinde nitelik seçme problemi için Yapay Arı Kolonisi optimizasyon tekniği ve Diferansiyel
Gelişim algoritmasını birleştirerek yeni bir melez yöntem önermektedir. Önerilen algoritma
UCI veri kümeleri üzerinde karar ağacı sınıflandırıcısı (J48) kullanılarak test edilmiştir.
Deneysel sonuçlar yeni melez yöntemin sınıflandırma işleminin doğruluğunu düşürmeden ya
da en az seviyede düşürerek nitelik sayısını azalttığını ve dolayısıyla yeni örneklerin
sınıflandırılması için gereken sürenin de azaldığını göstermiştir.

Kaynakça

  • Abdullah A., Deris S., Anwar S. (2011): “Hybrid Evolutionary Clonal Selection for Parameter Estimation of Biological Model”, International Journal of Computer Applications in Engineering Sciences, Cilt 1, No. 3, s.313-319.
  • Abraham A., Jatoth R.K., Rajasekhar A. (2012): “Hybrid Differential Artificial Bee Colony Algorithm”, Journal of Computational and Theoretical Nanoscience, Cilt 9, No. 2, s.249
  • Alizadegan A., Meybodi M. R., Asady B. (2012): “A Novel Hybrid Artificial Bee Colony Algorithm and Differential Evolution for Unconstrained Optimization Problems”, Advances in Computer Science and Engineering, Cilt 8, No. 1, s.45-56.
  • Chen Y., Miao D., Wang R. (2010): “A Rough Set Approach to Feature Selection Based on Ant Colony Optimization”, Pattern Recognition Letters, Elsevier, s.226-233.
  • Gao W.F., Liu S. (2011): “Improved Artificial Bee Colony Algorithm for Global Optimization”, Information Processing Letters, Elsevier, s.871-882.
  • Karaboğa D., Baştürk B. (2008): “On the Performance of Artificial Bee Colony (ABC) Algorithm”, Applied Soft Computing, Elsevier, s.687-697.
  • Keskintürk T. (2006): “Diferansiyel Gelişim Algoritması”, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, Cilt 1, s.85-99.
  • Khushaba R. N., Al-Ani A., Al-Jumaily A. (2011): “Feature Subset Selection Using Differential Evolution and A Statistical Repair Mechanism”, Expert Systems with Applications, Elsevier, s.11515-11526.
  • Li X., Yin M. (2012): “Hybrid Differential Evolution with Artificial Bee Colony and Its Application for Design of A Reconfigurable Antenna Array with Discrete Phase Shifters”, IET Microwaves Antennas & Propagation, Cilt 6, No. 14, s.1573–1582.
  • Mallipeddi R., Suganthan P. N., Pan Q. K., Tasgetiren M. F. (2011): “Differential Evolution Algorithm with Ensemble of Parameters and Mutation Strategies”, Applied Soft Computing, Elsevier, s.1679-1696.
  • Montgomery J., Chen S. (2010): “An Analysis of the Operation of Differential Evolution at High and Low Crossover Rates”, Evolutionary Computation (CEC), IEEE Congress, s.1-8.
  • Palanisamy S., Kanmani S. (2012): “Artificial Bee Colony Approach for Optimizing Feature Selection”, International Journal of Computer Science Issues, Cilt 9, No. 3, s.432-438.
  • Prasartvit T., Banharnsakun A., Kaewkamnerdpong B., Achalakul T. (2013): “Reducing Bioinformatics Data Dimension with ABC-kNN”, Neurocomputing, Elsevier, s.367-381.
  • Sá Â. A., Andrade A. O., Soares A. B. (2008): “Exploration vs. Exploitation in Differential Evolution”, AISB Convention Communication, Interaction and Social Intelligence, Cilt 1, s.57-63.
  • Saraç E., Özel S.A. (2010): “URL Tabanlı Web Sayfası Sınıflandırma”, ASYU Sempozyumu, s.13-17.
  • Schiezaro M.,Pedrini H. (2013): “Data Feature Selection Based on Artificial Bee Colony Algorithm”, EURASIP Journal on Image and Video Processing, Springer US, s.1-8.
  • Shanthi S., Bhaskaran V.M. (2014): “Modified Artificial Bee Colony Based Feature Selection: A New Method in the Application of Mammogram Image Classification”, International Journal of Science, Engineering and Technology Research, Cilt 3, No. 6, s.1664-1667.
  • Storn R., Price K. (1997): “Differential Evolution–A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces”, Journal of Global Optimization, Springer US, s.341-359.
  • Xu Y., Fan P., Yuan L. (2013): “A Simple and Efficient Artificial Bee Colony Algorithm”, Mathematical Problems in Engineering, Hindawi, s.1-9.
  • Yang J., Honavar V. (1998): “Feature Subset Selection Using A Genetic Algorithm”, Feature Extraction, Construction and Selection, Springer US, s.117-136.
  • Yang Y., Pedersen J. O. (1997): “A Comparative Study on Feature Selection in TextCategorization”, ICML, Cilt 97, s.412-420.
  • Yusoff S. A. M., Abdullah R., Venkat I. (2014): “Adapted Bio-inspired Artificial Bee Colony and Differential Evolution for Feature Selection in Biomarker Discovery Analysis”, Recent Advances on Soft Computing and Data Mining, Springer International Publishing, s.111
  • Zhang Y., Wu L., Wang S. (2011): “Magnetic Resonance Brain Image Classification by An Improved Artificial Bee Colony Algorithm”, Progress in Electromagnetics Research, Cilt 116, s.65-79.
Toplam 23 adet kaynakça vardır.

Ayrıntılar

Diğer ID JA53CY34SN
Bölüm Araştırma Makalesi
Yazarlar

Ezgi Zorarpacı Bu kişi benim

Selma Ayşe Özel Bu kişi benim

Yayımlanma Tarihi 1 Eylül 2014
Yayımlandığı Sayı Yıl 2014 Cilt: 16 Sayı: 48

Kaynak Göster

APA Zorarpacı, E., & Özel, S. A. (2014). NITELIK SEÇME PROBLEMI IÇIN DIFERANSIYEL GELIŞIM ALGORITMASI VE YAPAY ARI KOLONISI OPTIMIZASYON TEKNIĞINI KULLANAN MELEZ YÖNTEM. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi, 16(48), 49-60.
AMA Zorarpacı E, Özel SA. NITELIK SEÇME PROBLEMI IÇIN DIFERANSIYEL GELIŞIM ALGORITMASI VE YAPAY ARI KOLONISI OPTIMIZASYON TEKNIĞINI KULLANAN MELEZ YÖNTEM. DEUFMD. Eylül 2014;16(48):49-60.
Chicago Zorarpacı, Ezgi, ve Selma Ayşe Özel. “NITELIK SEÇME PROBLEMI IÇIN DIFERANSIYEL GELIŞIM ALGORITMASI VE YAPAY ARI KOLONISI OPTIMIZASYON TEKNIĞINI KULLANAN MELEZ YÖNTEM”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi 16, sy. 48 (Eylül 2014): 49-60.
EndNote Zorarpacı E, Özel SA (01 Eylül 2014) NITELIK SEÇME PROBLEMI IÇIN DIFERANSIYEL GELIŞIM ALGORITMASI VE YAPAY ARI KOLONISI OPTIMIZASYON TEKNIĞINI KULLANAN MELEZ YÖNTEM. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 16 48 49–60.
IEEE E. Zorarpacı ve S. A. Özel, “NITELIK SEÇME PROBLEMI IÇIN DIFERANSIYEL GELIŞIM ALGORITMASI VE YAPAY ARI KOLONISI OPTIMIZASYON TEKNIĞINI KULLANAN MELEZ YÖNTEM”, DEUFMD, c. 16, sy. 48, ss. 49–60, 2014.
ISNAD Zorarpacı, Ezgi - Özel, Selma Ayşe. “NITELIK SEÇME PROBLEMI IÇIN DIFERANSIYEL GELIŞIM ALGORITMASI VE YAPAY ARI KOLONISI OPTIMIZASYON TEKNIĞINI KULLANAN MELEZ YÖNTEM”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 16/48 (Eylül 2014), 49-60.
JAMA Zorarpacı E, Özel SA. NITELIK SEÇME PROBLEMI IÇIN DIFERANSIYEL GELIŞIM ALGORITMASI VE YAPAY ARI KOLONISI OPTIMIZASYON TEKNIĞINI KULLANAN MELEZ YÖNTEM. DEUFMD. 2014;16:49–60.
MLA Zorarpacı, Ezgi ve Selma Ayşe Özel. “NITELIK SEÇME PROBLEMI IÇIN DIFERANSIYEL GELIŞIM ALGORITMASI VE YAPAY ARI KOLONISI OPTIMIZASYON TEKNIĞINI KULLANAN MELEZ YÖNTEM”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi, c. 16, sy. 48, 2014, ss. 49-60.
Vancouver Zorarpacı E, Özel SA. NITELIK SEÇME PROBLEMI IÇIN DIFERANSIYEL GELIŞIM ALGORITMASI VE YAPAY ARI KOLONISI OPTIMIZASYON TEKNIĞINI KULLANAN MELEZ YÖNTEM. DEUFMD. 2014;16(48):49-60.

Dokuz Eylül Üniversitesi, Mühendislik Fakültesi Dekanlığı Tınaztepe Yerleşkesi, Adatepe Mah. Doğuş Cad. No: 207-I / 35390 Buca-İZMİR.