IRIS Veri Setinin Aritmetik Optimizasyon Algoritması ve İstatistiksel Sonuçlarla Sınıflandırılması

Yıl 2025, Cilt: 2 Sayı: 2, 89 - 95, 30.10.2025

Dilan Akçali , Beytullah Yağiz , Erdal Eker

https://doi.org/10.5281/zenodo.17474578

Öz

Bu çalışmanın amacı, bir yapay sinir ağı mimarisi olan çok katmanlı algılayıcı (MLP) modelini kullanarak sürü tabanlı akıllı algoritmalardan biri olan aritmetik optimizasyon algoritması (AOA) ile sınıflandırma performansını optimize etmektir. Model eğitimi, yaygın olarak kullanılan IRIS veri seti ile sağlanmaktadır. AOA, keşif ve kullanım aşamalarından oluşan temel aritmetik fonksiyonlardan esinlenen metasezgisel bir optimizasyon yöntemidir. MLP modeli girdi, gizli ve çıktı katmanlarından oluşacak şekilde yapılandırılmış ve IRIS veri setindeki çiçek türlerini sınıflandırmak için eğitilmiştir. Modelin performansı doğruluk, geri çağırma ve F1 puanı gibi istatistiksel ölçütler kullanılarak değerlendirilmiştir. Simülasyonlar MATLAB paket programı kullanılarak gerçekleştirilmiştir. Sonuçlar incelendiğinde, modelin ortalama doğruluk oranı %96,7 olarak ölçülmüştür. Geri çağırma oranı %96,0 ve F1 skoru ise %96,3 olarak gerçekleşmiştir. Bu sonuçlar, sezgisel algoritmaların yapay zeka ağ modelleriyle hibritleştirilmesinin karmaşık veri kümelerinde etkili ve verimli sonuçlar üretebileceğini göstermektedir.

Anahtar Kelimeler

Aritmetik Optimizasyon Algoritması , Yapay Sinir Ağları , Çok Katmanlı Algılayıcılar , Optimizasyon

Classification of IRIS Data Set with Arithmetic Optimization Algorithm and Statistical Results

Öz

The aim of this paper is to optimize the classification performance with the arithmetic optimization algorithm (AOA), one of the swarm-based intelligent algorithms, by using the multilayer perceptron (MLP) model, which is an artificial neural network architecture. Model training is provided by IRIS flower data, which is widely used. AOA is a metaheuristic optimization method inspired by basic arithmetic functions consisting of discovery and exploitation phases. The MLP model is structured to consist of input, hidden, and output layers and is trained to classify the types of flowers in the IRIS dataset. The model"s performance was evaluated using statistical metrics such as accuracy, recall, and F1 score. Simulations were carried out using the MATLAB package program. When the results were examined, the average accuracy rate of the model was measured as 96.7%. The recall rate was 96.0% and the F1 score was 96.3%. These results show that hybridizing heuristic algorithms to AI network models can produce effective and efficient results in complex datasets.

Anahtar Kelimeler

Arithmetic Optimization Algorithm , Artificial Neural Networks , Multilayer Perceptrons , Optimization

Kaynakça

• [1] D. Izci, S. Ekinci, E. Eker, and M. Kayri, “Improved Manta Ray foraging optimization using opposition-based learning for optimization problems,” 2022 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA), pp. 1–6, Jun. 2020, doi: 10.1109/hora49412.2020.9152925.
• [2] P. Bansal, S. Gupta, S. Kumar, S. Sharma, and S. Sharma, “MLP-LOA: A metaheuristic approach to design an optimal multilayer perceptron,” Soft Computing, vol. 23, no. 23, pp. 12331–12345, Jan. 2019, doi: 10.1007/s00500-019-03773-2.
• [3] R. Yu, W. Yu, and X. Wang, “KAN or MLP: A fairer comparison,” arXiv preprint, arXiv:2407.16674, Aug. 17, 2024, doi: 10.48550/arXiv.2407.16674.
• [4] T. Hoya, “Review of the two existing artificial neural network models—Multilayer perceptron and probabilistic neural networks,” in Syntactic Networks—Kernel Memory Approach, vol. 1157, Studies in Computational Intelligence, Cham, Switzerland: Springer, 2024, pp. 17–34, doi: 10.1007/978-3-031-57312-5_2.
• [5] P. Bansal, S. Kumar, S. Pasrija, and S. Sharma, “A hybrid grasshopper and new cat swarm optimization algorithm for feature selection and optimization of multi-layer perceptron,” Soft Computing, vol. 24, pp. 15463–15489, Oct. 2020, doi: 10.1007/s00500-020-04877-w.
• [6] M. Gerşil and T. Palamutçuoğlu, “Ders çizelgeleme probleminin melez genetik algoritmalar ile performans analizi,” Niğde Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, vol. 6, no. 1, pp. 242–262, Apr. 2013.
• [7] E. Küçüksille and M. Tokmak, “Yapay Arı Kolonisi Algoritması Kullanarak Otomatik Ders Çizelgeleme,” Süleyman Demirel University Journal of Natural and Applied Sciences, vol. 15, no. 3, pp. 203–210, Jul. 2011.
• [8] F. A. Şenel, A. S. Yüksel, F. Gökçe, and T. Yiğit, “Gri kurt optimizasyon algoritması ile iki boyutlu dizilim yazılımının geliştirilmesi,” Journal of Balıkesir University Institute of Science and Technology, vol. 20, no. 2, pp. 293–306, Dec. 2018, doi: 10.25092/baunfbed.433321.
• [9] S. Ekinci, B. Hekimoğlu, A. Demirören, and S. Kaya, “Harris Hawks Optimization Approach for Tuning of FOPID Controller in DC-DC Buck Converter,” in Proc. 2019 International Artificial Intelligence and Data Processing Symposium (IDAP), Malatya, Turkey, 2019, pp. 1–9, doi: 10.1109/IDAP.2019.8875992.
• [10] S. Ekinci, B. Hekimoğlu, E. Eker, and D. Sevim, “Hybrid Firefly and Particle Swarm Optimization Algorithm for PID Controller Design of Buck Converter,” in Proc. 2019 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), Ankara, Turkey, 2019, pp. 1–6, doi: 10.1109/ISMSIT.2019.8932733.
• [11] Ö. Can, “Otomatik Gerilim Regülatörü Sistemi için Farklı Optimizasyon Teknikleri Ayarlı Denetleyici Tasarımı,” The Black Sea Journal of Sciences, vol. 13, no. 3, pp. 858–870, Sep. 2023, doi: 10.31466/kfbd.1252029.
• [12] “Sezgisel algoritma,” Vikipedi, Jun. 23, 2024. Accessed: Dec. 24, 2024. [Online]. Available: https://tr.wikipedia.org/w/index.php?title=Sezgisel_algoritma&oldid=33358727
• [13] S. Mirjalili, “How effective is the Grey Wolf optimizer in training multi-layer perceptrons,” Applied Intelligence, vol. 43, no. 1, pp. 150–161, Jul. 2015, doi: 10.1007/s10489-014-0645-7.
• [14] A. Kaveh and K. B. Hamedani, “Improved arithmetic optimization algorithm and its application to discrete structural optimization,” Structures, vol. 35, pp. 748–764, Jan. 2022, doi: 10.1016/j.istruc.2021.11.012.
• [15] R. A. Fisher, “Iris,” UCI Machine Learning Repository, 1936, doi: 10.24432/C56C76.
• [16] O. Cihan, “Çok Etmenli Sistemlerde Bir Dağıtık Denklem Çözüm Algoritmasının Yakınsama Hızı En İyilemesi,” Avrupa Bilim ve Teknoloji Dergisi (European Journal of Science and Technology), no. 26 (HORA Special Issue), pp. 262–269, Jul. 2021, doi: 10.31590/ejosat.952456.
• [17] A. G. Yılmaz and S. Alsamoua, “Meta sezgisel arama algoritmalarının çok seviyeli görüntü eşikleme performanslarının karşılaştırılması,” Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, Nov. 2024, doi: 10.28948/ngumuh.1529614.
• [18] A. R. Dal, “Güneş enerji panellerindeki optimum eğim açısının verime etkisinin incelenmesi,” Bilecik Şeyh Edebali University Journal of Science, vol. 8, no. 1, pp. 241–250, Jun. 2021, doi: 10.35193/bseufbd.878795.
• [19] R. Terzi and M. U. Demirezen, “Açık kaynak veri seti ile eğitilen yapay zeka modellerinin klinik ortamdaki performans analizi,” Journal of Ankara University Faculty of Medicine (Ankara Üniversitesi Tıp Fakültesi Mecmuası), vol. 75, pp. 25, 2022, doi: 10.4274/atfm.galenos.2022.97830.
• [20] D. H. Wolpert and W. G. Macready, “No free lunch theorems for optimization,” IEEE Transactions on Evolutionary Computation, vol. 1, no. 1, pp. 67–82, Apr. 1997, doi: 10.1109/4235.585893.
• [21] S. Barua and A. Merabet, “Lévy Arithmetic Algorithm: An enhanced metaheuristic algorithm and its application to engineering optimization,” Expert Systems with Applications, vol. 241, p. 122335, May 2024, doi: 10.1016/j.eswa.2023.122335.
• [22] L. Abualigah, A. Diabat, S. Mirjalili, M. Abd Elaziz, and A. H. Gandomi, “The Arithmetic Optimization Algorithm,” Computer Methods in Applied Mechanics and Engineering, vol. 376, p. 113609, Apr. 2021, doi: 10.1016/j.cma.2020.113609.
• [23] J. O. Agushaka and A. E. Ezugwu, “Advanced arithmetic optimization algorithm for solving mechanical engineering design problems,” PLOS ONE, Aug. 2021, doi: 10.1371/journal.pone.0255703.
• [24] E. Eker, M. Kayri, S. Ekinci, and D. Izci, “Training Multi-Layer Perceptron Using Harris Hawks Optimization,” in Proc. 2020 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA), Ankara, Turkey, Jun. 2020, pp. 1–5, doi: 10.1109/HORA49412.2020.9152874.
• [25] T. O. Hodson, T. M. Over, and S. S. Foks, “Mean Squared Error, Deconstructed,” Journal of Advances in Modeling Earth Systems, vol. 13, no. 12, e2021MS002681, Dec. 2021, doi: 10.1029/2021MS002681.
• [26] E. Beauxis-Aussalet and L. Hardman, “Simplifying the visualization of confusion matrix,” in Proc. 26th Benelux Conference on Artificial Intelligence (BNAIC), Nov. 2014.