Gen açıklama verilerinin sınıflandırılmasında yeni bir özellik seçimi yöntemi

DNA mikrodizi veri kümelerinin ortaya çıkışı hem biyoinformatikte hem de makine öğrenmesi alanlarında önemli bir araştırma konusunu canlandırmıştır. Doku veya hücre örneklerinden alınan bu tip veriler, hastalık teşhisinde ya da spesifik tümör tiplerini ayırt etmede faydalı olabilecek bilgileri toplamak için oldukça önemlidir. Gen açıklama verileri olarak bilinen bu veri kümelerindeki en önemli zorluk düzinelerle ifade edilebilen örneklem sayısına karşın binlerce gen bilgisini içermesidir. Bu durum verilerin doğru sınıflandırılması açısından büyük bir dezavantaj oluşturmaktadır. Binlerce gen ve az sayıda örneklemden oluşan gen açıklama verilerinde sınıflandırma yöntemlerinin etkili bir şekilde uygulanması, hastalıkların tanı ve tedavisinde çok önemli bir rol oynamaktadır. Büyük boyutlu verilerde, en ilişkili ve bilgilendirici özellikleri seçerek sınıflandırma performansını artırmak için bir ön işleme adımı olan özellik seçimininin (feature selection) kullanımı kaçınılmazdır. Özellik seçimi yöntemleri literatürde filtre (filter), sarmal (wrapper) ve gömülü (embedded) olmak üzere üç temel başlıkta incelenmektedir. İstatistiksel yöntemler olarak da bilinen filtre yöntemler, sınıflandırma algoritmasından bağımsız olarak özellikleri ayrı ayrı inceleyen, belli bir değerlendirme ölçütüne dayanarak en iyi özellik alt kümesini seçmeyi amaçlayan özellik seçimi yöntemleridir. Bu tez çalışmasında, özellik seçimi için yeni bir filtre yöntemi olarak "Etkin Aralıklara dayalı Özellik Seçimi Algoritması" (Feature Selection Algorithm based on Effective Ranges-FSAER) adlı bir yaklaşım önerilmiştir. Önerilen yöntem, literatürde bulunan "Etkin Aralığa dayalı Gen Seçimi" (Effective Range based Gene Selection-ERGS) ve "Etkin Aralığa dayalı Geliştirilmiş bir Özellik Seçimi" (Improved Feature Selection based on Effective Range-IFSER) yöntemlerinin dikkate almadığı bir eksikliği gidermek üzere geliştirilmiştir. Etkin aralıklara dayanan ERGS ve IFSER algoritmalarının en büyük eksikliği, tüm ayrık aralıklara aynı ağırlık değerini atamalarıdır. FSAER; ERGS ve IFSER yöntemlerinin avantajlarına sahiptir ve ayrıca ayrık etkili aralıkları da hesaba katarak yeni bir toplam alan tanımlamaktadır. Önerilen algoritmanın etkinliğini doğrulamak amacıyla, erişime açık altı farklı gen açıklama veri seti kullanılarak, bilinen beş farklı filtre yöntemi ve FSAER ile farklı büyüklükteki gen alt kümeleri seçilmiştir. Seçilen genler kullanılarak farklı sınıflandırma yöntemlerinin (Naif Bayes, Destek Vektör Makinesi, k-En Yakın Komşu) uygulanması sonucunda sınıflandırma doğrulukları elde edilmiştir. Bu deneylerden elde edilen sonuçlar incelenmiş, FSAER algoritmasının diğer yöntemlerle karşılaştırıldığında sınıflandırma doğrulukları bakımından oldukça etkili sonuçlar verdiği görülmüştür.