Abstract:
Öznitelik seçimi veri kümelerinde gereksiz ve alakasız öznitelikleri elimine ederek makine öğrenmesi problemlerinde önemli bir rol oynamaktadır. Öznitelik seçimi süreci, modelin doğruluğunu artırmanın yanı sıra eğitim süresini kısaltarak modelin yorumlanabilirliğini de artırmaktadır. Öznitelik seçimi yüksek boyutlu veri kümelerine uygulandığında aşırı öğrenme riskini azaltarak daha genellenebilir sonuçlar elde edilebilmektedir. Bu tez kapsamında iki farklı çalışmadan elde edilen deneysel çalışmalar sunulmuştur. İlk olarak UCI veri deposundan elde edilen 3 farklı veri kümesi kullanılarak 5 farklı makine öğrenmesi algoritması 10 katlı çapraz doğrulama yöntemi uygulanarak algoritmaların başarımları ve çalışma süreleri ölçülmüştür. Öznitelik seçimi yöntemleri olarak, meta-sezgisel yaklaşımlardan Genetik Algoritma (GA) ve Parçacık Sürü Optimizasyonu (PSO); geleneksel yöntemler arasında ise Korelasyon Analizi, Lasso ve Hipotez Testi tercih edilmiştir. Yapılan deneysel çalışmalar göz önüne alındığında GA ve PSO tabanlı öznitelik seçiminin, geleneksel yöntemlere kıyasla hem sınıflandırma başarımında hem de işlem süresinde daha etkin sonuçlar verdiği elde edilen deneysel verilerle ortaya konmuştur. İkinci çalışma olarak 2025 yılında ortaya çıkmış olan güncel metasezgisel algoritmalardan olan Draco Kertenkele Optimizasyon (DLO) algoritması, destek vektör makinesi ile birlikte kullanılarak öznitelik seçimi problemi için SVM-DLOFS yöntemi önerilmiştir. Önerilen yöntem UCI veri deposundan elde edilen 6 farklı veri kümesi üzerinde deneysel çalışmalar yapılmış ve SVM algoritması ile 5 katlı çapraz doğrulama yöntemi kullanılarak karşılaştırılmıştır. Deneysel çalışmalar seçilen öznitelik sayısı, en iyi skor, en kötü skor, ortalama skor ve standart sapma değerleriyle analiz edilmiştir. Elde edilen deneysel çalışmalar incelendiğinde önerilen SVM-DLOFS yönteminin öznitelik seçiminde daha başarılı sonuçlar verdiği gözlemlenmiştir.
