Online Makale
Online Hizmetlere Toplu Bakış
Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi
| Pamukkale Univ Muh Bilim Derg. Baskıdaki Makaleler: PAJES-34614 | DOI: 10.65206/pajes.34614 | |||
Öznitelik seçimi için İmmün Plazma Algoritmasına dayalı yeni bir metasezgisel yaklaşım: IPAbFSÖzer Oğuz, Hasan BademKahramanmaraş Sütçü İmam Üniversitesi, Mühendislik ve Mimarlık Fakültesi, Kahramanmaraş, TürkiyeÖzellik seçimi (FS), makine öğreniminde, alakasız ve gereksiz özellikleri kaldırarak model performansını artıran kritik bir ön işleme adımıdır. Bu işleme çeşitli metaheuristik algoritmalar uygulanmış olsa da yüksek boyutlu veriler için daha başarılı yöntemler bulmak üzere araştırmalar devam etmektedir. Bu çalışma, İmmün Plazma Algoritması (IPA) temelinde yeni bir özellik seçimi yaklaşımı olan IPAbFS'yi önermektedir. Önerilen IPAbFS'nin performansı, çeşitli alanlarda 39 farklı veri seti üzerinde kapsamlı bir şekilde değerlendirilmiştir. Sonuçların güvenilirliğini sağlamak için, K-En Yakın Komşular (KNN), Karar Ağacı (DT) ve Destek Vektör Makineleri (SVM) sınıflandırıcıları kullanılarak 10 kat çapraz doğrulama uygulanmıştır. Deney sonuçları, IPAbFS'nin sınıflandırma doğruluğu ve özellik azaltma açısından on adet rakip metaheuristik FS algoritmasından önemli ölçüde daha iyi performans sergilediğini göstermektedir. Anahtar Kelimeler: Öznitelik seçimi, İmmün Plazma Algoritması, Makine öğrenmesi, Optimizasyon, SınıflandırmaA new metaheuristic approach for feature selection based on Immune Plasma Algorithm: IPAbFSÖzer Oğuz, Hasan BademKahramanmaraş Sütcü İmam University, Faculty of Engineering and Architecture, Kahramanmaraş, TurkeyFeature selection (FS) is a critical preprocessing step in machine learning that enhances model performance by removing irrelevant and redundant features. Although various metaheuristic algorithms have been applied to this process, research continues to find more successful methods for high-dimensional data. This study proposes IPAbFS, a new feature selection approach based on the Immune Plasma Algorithm (IPA). The performance of the proposed IPAbFS has been comprehensively evaluated on 39 different datasets across various domains. To ensure the reliability of the results, 10-fold cross-validation was applied using K-Nearest Neighbors (KNN), Decision Tree (DT), and Support Vector Machines (SVM) classifiers. The experimental results show that IPAbFS significantly outperforms ten competing metaheuristic FS algorithms in terms of classification accuracy and feature reduction. Keywords: Feature selection, Immune Plasma Algorithm, Machine learning, Optimization, ClassificationSorumlu Yazar: Özer Oğuz, Türkiye |
| ||
Tam Metin PDF
Yazdır
Alıntıyı İndir
RIS
E-Postala
Paylaş
Yazara e-posta gönder
Google Scholar