Sınıflandırma problemleri yapay zekanın geniş bir uygulama alanını temsil etmektedirler. Sınıflandırma problemlerinin özelliklerine bağlı olarak algoritmaların performansları değişebilmektedir. Bir sınıflandırma probleminin boyutunun ya da nitelik sayısının değişmesi durumunda performansı bundan etkilenmeyen bir algoritma yoktur. Hemen tüm algoritmalar için problem boyutunun artması performansı olumsuz yönde etkileyen bir faktördür. Dolayısıyla sınıflandırma problemlerinde problem boyutu azaltma üzerinde yoğun bir şekilde çalışılan önemli bir konudur. Özellikle yüksek boyutlu nitelik uzaylarında problem için en uygun modeli yaratmak zor bir görevdir. Karmaşıklık düzeyi yüksek arama uzaylarında genel en iyi çözümü bulmak olanaksız olarak tanımlanmaktadır. Dolayısıyla bu tür arama problemleri için en ideal çözüm yolu meta-sezgisel arama algoritmalarından faydalanmaktır. Bu makale çalışmasında sınıflandırma problemlerinde boyut azaltmak için AGDE (adaptive guided differential evolution) algoritması temelli meta-sezgisel nitelik seçim yöntemi geliştirilmektedir. Geliştirilen yöntem niteliklerin ağırlıklandırılmasını ve eşik değerden küçük ağırlıklı niteliklerin tespit edilmesini sağlamaktadır. Deneysel çalışmalardan elde edilen sonuçlar AGDE-tabanlı nitelik seçim yönteminin sınıflandırma problemleri için etkili bir boyut azaltma aracı olduğunu göstermektedir.
k-nn Sınıflandırma Yöntemi AGDE Meta-Sezgisel Ağırlıklandırma, Boyut İndirgeme Meta-Sezgisel Nitelik Seçimi
TÜBİTAK
1919B011904088
Classification problems represent a wide range of applications of artificial intelligence. Depending on the properties of classification problems, algorithms' performances may vary. If the number of attributes/features of a problem changes, the performance of the algorithm used to solve this problem also changes. For almost all algorithms, increasing problem dimension is a factor that negatively affects performance. Therefore, dimensionality reduction is an important issue that is studied extensively. It is a difficult task to create the most suitable model for the problem, especially in high-dimensional search spaces (with a high number of independent variables). It is impossible to find the best overall solution in highly complex search spaces. Therefore, the ideal solution for such search problems is to use meta-heuristic search algorithms. In this article, meta-heuristic feature selection method based on AGDE (adaptive guided differential evolution) algorithm is developed for dimensionality reduction in classification problems. The developed method enables the weighting of the attributes and the determination of the weighted features less than the threshold value. The results obtained from the experimental studies show that AGDE-based dimensionality reduction method has very effective performance for classification problems.
k-nn classifier Adaptive Guieded Differential Evolution Meta-Heuristic Weighting Dimensionality Reduction Meta-Heuristic Dimensionality Reduction
1919B011904088
Birincil Dil | Türkçe |
---|---|
Konular | Bilgisayar Yazılımı |
Bölüm | Araştırma Makaleleri \ Research Articles |
Yazarlar | |
Proje Numarası | 1919B011904088 |
Yayımlanma Tarihi | 29 Aralık 2020 |
Gönderilme Tarihi | 19 Kasım 2020 |
Kabul Tarihi | 29 Aralık 2020 |
Yayımlandığı Sayı | Yıl 2020 Cilt: 8 Sayı: 5 |