Salp Sürü Algoritması ile Öznitelik Seçimi ve Sınıflandırıcı Performans Değerlendirmesi

Öz

Son yıllarda doğadan esinlenen sürü tabanlı algoritmalar arasında yer alan Salp Sürü Algoritması oldukça popüler olmuştur. Bu çalışmada, Salp Sürü Algoritması kullanılarak farklı veri setleri üzerinde öznitelik seçimi yapılmış, farklı sınıflandırıcılar ile bazı performans metrikleri karşılaştırılmıştır. Deneysel sonuçların hesaplanması için UCI Makine Öğrenmesi Deposunda yer alan BreastCancer, Colon ve Ionosphere veri setleri kullanılmıştır. Sınıflandırıcı olarak k En Yakın Komşu Algoritması, Destek Vektör Makineleri ve Rastgele Orman Algoritması kullanılmıştır. Sayısal sonuçlar incelendiğinde, çalışma zamanı bakımından kNN algoritması ile yapılan testler genellikle en hızlı algoritma olmuştur. Seçilen öznitelik sayısı bakımından ise SVM ve RF algoritmaları daha iyi sonuç vermiştir.

Anahtar Kelimeler

• Öznitelik seçimi
• Salp sürü algoritması
• Doğadan esinlenen algoritmalar
• Sınıflandırıcı algoritmaları

Feature Selection Using Salp Swarm Algorithm and Classifier Performance Evaluation

Abstract

Salp Swarm Algorithm, a nature-inspired swarm-based algorithm, has become very popular in recent years. This study uses Salp Swarm Algorithm for feature selection and tries different classifiers as fitness functions on various datasets. BreastCancer, Colon, and Ionosphere databases in the UCI Machine Learning Repository are used as test datasets. k Nearest Neighbor Algorithm (kNN), Support Vector Machines (SVM), and Random Forest Algorithm (RF) are used as classifiers. When the experimental results are examined, the kNN algorithm is generally the fastest in terms of runtime. However, considering the number of selected features, SVM and RF algorithms achieve better results.

Keywords

• Feature selection
• Salp swarm algorithm
• Nature-inspired algorithms
• Classification algorithms

Kaynakça

1. Aswani, R., Ghrera, S. P. ve Chandra, S. (2016). A Novel Approach to Outlier Detection using Modified Grey Wolf Optimization and k-Nearest Neighbors Algorithm. Indian Journal of Science and Technology, 9(44). doi:10.17485/ijst/2016/v9i44/105161
2. Dorigo, M., Birattari, M. ve Stutzle, T. (2006). Ant colony optimization. IEEE Computational Intelligence Magazine, 1(4), 28–39. doi:10.1109/MCI.2006.329691
3. Eberhart, R. ve Kennedy, J. (y.y.). A new optimizer using particle swarm theory. MHS’95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science içinde (ss. 39–43). IEEE. doi:10.1109/MHS.1995.494215
4. Faris, H., Heidari, A. A., Al-Zoubi, A. M., Mafarja, M., Aljarah, I., Eshtay, M. ve Mirjalili, S. (2020). Time-varying hierarchical chains of salps with random weight networks for feature selection. Expert Systems with Applications, 140, 112898. doi:10.1016/j.eswa.2019.112898
5. Hegazy, A. E., Makhlouf, M. A. ve El-Tawel, G. S. (2020). Improved salp swarm algorithm for feature selection. Journal of King Saud University - Computer and Information Sciences, 32(3), 335–344. doi:10.1016/j.jksuci.2018.06.003
6. Ibrahim, H. T., Mazher, W. J., Ucan, O. N., and Bayat, O. (2017). Feature Selection using Salp Swarm Algorithm for Real Biomedical Datasets. International Journal of Computer Science and Network Security, 17(12), 13–20.
7. Karaboga, D. ve Akay, B. (2007). Artificial Bee Colony (ABC) Algorithm on Training Artificial Neural Networks. 2007 IEEE 15th Signal Processing and Communications Applications içinde (ss. 1–4). IEEE. doi:10.1109/SIU.2007.4298679
8. Kılıç, F., Kaya, Y. ve Yildirim, S. (2021). A novel multi population based particle swarm optimization for feature selection. Knowledge-Based Systems, 219, 106894. doi:10.1016/j.knosys.2021.106894

9. Kumar, V., Chhabra, J. K. ve Kumar, D. (2017). Grey Wolf Algorithm-Based Clustering Technique. Journal of Intelligent Systems, 26(1), 153–168. doi:10.1515/jisys-2014-0137
10. Mirjalili, S., Gandomi, A. H., Mirjalili, S. Z., Saremi, S., Faris, H. ve Mirjalili, S. M. (2017). Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems. Advances in Engineering Software, 114, 163–191. doi:10.1016/j.advengsoft.2017.07.002
11. Mirjalili, S. ve Lewis, A. (2016). The Whale Optimization Algorithm. Advances in Engineering Software, 95, 51–67. doi:10.1016/j.advengsoft.2016.01.008
12. Mirjalili, S., Mirjalili, S. M. ve Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46–61. doi:10.1016/j.advengsoft.2013.12.007
13. Sayed, G. I., Khoriba, G. ve Haggag, M. H. (2018). A novel chaotic salp swarm algorithm for global optimization and feature selection. Applied Intelligence, 48(10), 3462–3481. doi:10.1007/s10489-018-1158-6
14. Yang, X.-S. (2010). A New Metaheuristic Bat-Inspired Algorithm (ss. 65–74). doi:10.1007/978-3-642-12538-6_6
15. Yang, X. S. (2010). Firefly algorithm, stochastic test functions and design optimisation. International Journal of Bio-Inspired Computation, 2(2), 78. doi:10.1504/IJBIC.2010.032124