Öznitelik azaltma için hibrit bir yaklaşım

Bu tezde, şu anda mevcut olan öznitelik seçimi ve boyut azaltma yöntemleri üç farklı veri kümesi üzerinde analiz edilmiştir. Makine öğrenim alanında hızları nedeniyle popüler olan filtreleme temelli öznitelik seçim yöntemlerinin üzerinde durulmuştur. Ek olarak, özniteliklerin puanlarının birbirine yakın olması durumunda boyut azaltma uygulanarak özniteliklerin doğrusal bir genellemesi elde edilmiştir. Bu tezde incelenen öznitelik seçme yöntemleri, aralarındaki ilişkiyi göz ardı ederek özniteilkleri ayrı ayrı değerlendirmektedir. Bu aşamada, gereksiz olarak işaretlenen öznitelikler tamamen ilgisiz kabul edilir. Bu nedenle, bu tezde, bir hibrid öznitelik azaltma yaklaşımı önerilmiştir. Bu yaklaşımda, seçilmemiş öznitelikler, doğrusal izdüşümleri sağlanarak sınıflandırma ve kümelemeye katılma fırsatına da sahiptir. Dolayısıyla, bu yaklaşımla hem öznitelik seçimi algoritması tarafından seçilen en alakalı öznitelikler hem de seçilmemiş özniteliklerin projeksiyonu kullanılmaktadır. F-ölçümü açısından elde edilen sonuçlar, en yüksek skora sahip özniteliklerden oluşan en iyi öznitelik altkümesinin seçilmesinin yanı sıra, seçilmemiş özniteliklere mükemmel uyum şansı vermenin, tatmin edici sınıflandırma sonuçlarına neden olabileceğini göstermektedir.