Metin kategorizasyonunda geleneksel makine öğrenimi algoritmaları ve derin öğrenme yöntemleri ile sezgisel optimizasyon tekniklerinin değerlendirilmesi

Bu araştırma, büyük özellik sayısına sahip metin sınıflandırma problemlerinde özellik seçimi zorluklarına çözüm sağlamak amacıyla Migrating Birds Optimization (MBO) ile birleştirilmiş Naive Bayes iç sınıflandırıcını kullanarak yeni bir yaklaşım olan MBO-NB'yi tanıtmaktadır. Hesaplama verimliliğine odaklanarak, ham veriyi IG algoritması kullanarak ön işleme tabi tutuyoruz ve ortalama 62221 olan özellik sayısını stratejik olarak 2089'a düşürüyoruz. Deneylerimiz, MBO-NB'nin diğer mevcut tekniklere göre üstün etkinliğini, artan sınıflandırma doğruluğunu vurgulayarak özellikle özellik azaltma konusundaki başarısını göstermektedir. Naive Bayes'in MBO içinde başarılı entegrasyonu, dengeli bir çözüm sunmaktadır. Particle Swarm Optimization (PSO) ile yapılan bireysel karşılaştırmalarda, MBO-NB dört kurulumda ortalama %6.9 üzerinde sürekli olarak daha iyi performans göstermektedir. Bu araştırma, özellik seçimi yöntemlerini geliştirmeye dair değerli içgörüler sunarak, metin sınıflandırma için ölçeklenebilir ve etkili bir çözüm sunmaktadır.