Izgara arama ve parçacık sürüsü optimizasyonunu birleştiren yeni bir algoritma ile destek vektör makinelerinin hiperparametre optimizasyonu

Hiperparametre optimizasyonu, tüm makine öğrenimi algoritmalarında olduğu gibi Destek Vektör Makinelerinin (SVM) tahmin doğruluğunu iyileştirmede de hayati önem taşır. Bu çalışma; iki güçlü ve yaygın olarak kullanılan algoritmayı, Parçacık Sürü Optimizasyonu (PSO) ve Izgara Araması'nı (GS), birleştiren yeni bir hibrit optimizasyon algoritması olan PSOGS'yi tanıtmaktadır. Bu hibrit algoritma, on iki veri kümesi üzerinde denenmiştir. PSOGS'nin hızı ve PSOGS ile optimize edilmiş SVM modellerinin (PSOGS-SVM) tahmin doğruluğu, onu oluşturan algoritmaların (PSO ve GS) ve PSO ile Yerçekimi Arama Algoritmasını (GSA) birleştiren başka bir hibrit optimizasyon algoritması (PSOGSA) ile karşılaştırılmıştır. Tahmin doğrulukları, sınıflandırma problemleri için Tahmin Doğruluğu ve F-Skoru ve regresyon problemleri için Ortalama Kareler Hatası, Ortalama Mutlak Yüzde Hatası ve Çoklu Korelasyon Katsayısı açısından değerlendirilmiş ve karşılaştırılmıştır. Geliştirilen modellerin güvenilirliğini sağlamak için, 30 farklı deneme ve 10 kat çapraz doğrulama yapılarak deneylerin sonuçları elde edilmiştir. Sonuçlar, PSOGS'nin GS ile karşılaştırılabilir tahmin doğruluğu sağladığını, GS'den çok daha hızlı performans gösterdiğini, PSO'dan daha kısa çalışma süresi ile biraz daha iyi sonuçlar sağladığını göstermiştir. Ayrıca PSOGS-SVM'nin hem tahmin doğruluğu hem de çalışma süresi açısından PSOGSA-SVM'den daha etkili sonuçlar sunduğu görülmüştür. Sonuç olarak bu çalışma, PSOGS'nin SVM hiperparametrelerini optimize etmek için hızlı, kararlı, verimli ve güvenilir bir algoritma olduğunu kanıtlamıştır.