Makine öğrenmesi yöntemlerinde hiper-parametre seçimi

Hiper-parametreler, makine öğrenmesi modellerinin performansı üzerinde önemli bir etkiye sahip olmaları nedeniyle makine öğrenimi algoritmaları için kritik bir öneme sahiptirler. Uygun hiper-parametrelerin seçilmemesi, makine öğrenmesi modellerinin düşük performans göstermesine sebep olabilir. Bu tez kapsamında, farklı hiper-parametre optimizasyon (HPO, Hyper-parameter Optimization) yöntemlerinin, regresyon modellerinin performansına etkisi karşılaştırmalı analizler ile verilmektedir. Tez kapsamında önerilen yöntemlerin değerlendirilmesi için binalardaki enerji verimliliği problemi ele alınmıştır. Çalışmada, bu alanda literatürde erişime açık olan 768 satır ve 8 özellik içeren bir veri kümesi kullanıldı. Çalışma, regresyon modellerinin, varsayılan parametre değerleri kullanılarak eğitilmesiyle başladı. Daha sonra, bu modellerin performansları arasından ortalama hata karesi (MSE, Mean Squared Error) değerine göre en iyi sonuç veren modeller belirlendi. Belirlenen modeller, daha fazla iyileştirme için hiper-parametre optimizasyonuna tabi tutuldu. Bunun sonucunda, kategori artırma (CatBoost, Category Boosting) ve Bayes- Rastgele Orman (BO-RF, Bayesian Optimization – Random Forest) algoritmalarının, hiper- parametre değerlerinin optimizasyonu ile 0,997 R-Kare ve 0,23 MSE skorları, bu çalışmadaki en yüksek başarı sonucu olarak elde edildi. Bu çalışma, hiper-parametre optimizasyon yöntemlerinin, makine öğrenmesi modelleri üzerindeki etkisini göstermek için binalardaki enerji verimliliği problemini ele almaktadır. Bu bağlamda, hiper-parametre optimizasyonunun, makine öğrenmesi modellerinin başarısını artırmadaki kritik rolü vurgulanmaktadır.