Öznitelik seçimi için modifiye edilmiş bir otokodlayıcı yaklaşımı

Teknoloji ilerledikçe, veri boyutları da büyümeye başladı. Bu da anlamlı bilginin çıkarılmasında çeşitli zorlukları beraberinde getirdi. Bunun sonucunda yeni veri analiz yöntemleri ortaya çıkmıştır. Veri toplama günlük hayatımızın her yerinde olduğu için, veriler de birçok gereksiz ve fazla kayıt içermektedir. Verilerin kullanışlı kısımlarını belirlemek için, öznitelik seçme algoritmaları uzun zamandır kullanılmaktadır. Ancak, bu algoritmalar büyük ölçekli verilerle başa çıkmak için daha da geliştirilmelidir. Bu tezde otomatik kodlayıcı tabanlı yeni bir öznitelik seçme algoritması geliştirdik. Otomatik kodlayıcının geleneksel kullanımından farklı olarak, bu çalışmada dönüştürülmüş veriler yerine eğitilmiş ağırlık değerleri kullanılmıştır. Bu önerdiğimiz yöntemin arkasındaki ana fikir, bir girdinin ortalama ağırlığının yüksek olması durumunda kullanışlı bir özellik olması gerektiğidir. Bu basit ama etkili yöntem 5 farklı veri seti üzerinde test edilmiştir. 3 tanesi Kaggle ve UCI depolarından alınan standart veri kümeleridir. Biri ise verilerin dengesiz doğası nedeniyle sınıflandırılması çok zor olan ilaç hedefi tahmin veri setidir. Önerilen yöntem, standart veri setleri üzerinde iyi sonuçlar verirken, sadece önerilen yöntem değil, aynı zamanda test edilen diğer tüm yöntemler de, veri setinin dengesiz doğası nedeniyle ilaç-hedef etkileşimi veri setinde çok düşük sonuçlar vermiştir. Anahtar kelimeler: Makine Öğrenme, Derin Öğrenme, Öznitelik Seçimi, İlaç-hedef Etkileşimi, Otokodlayıcılar