Deniz canlılarından ilham alınarak oluşturulan optimizasyon algoritmalarının öznitelik seçimi uygulamalarında kullanımı

Veri madenciliği, makine öğrenimi ve örüntü tanıma gibi uygulamalarda, öznitelik seçimi önemli bir ön işleme adımıdır. Gereksiz ve alakasız özellikleri kaldırarak, öğrenme modelinin hesaplama maliyetini azaltırken gereksiz ve alakasız özellikleri kaldırarak sınıflandırma doğruluğunu artırır. Bu tezde, doğadan ilham alan dokuz metasezgisel algoritma ve bir geleneksel yöntem, UCI veritabanından alınan yirmi iki veri seti üzerinde test edildi. Test sonuçları, doğruluk, kesinlik, duyarlılık, F-Score ve seçim boyutu dahil olmak üzere beş farklı değerlendirme metriği kullanılarak değerlendirildi. Algoritmalar ve sınıflandırıcılar arasındaki ilişkiyi daha iyi anlamak için dört farklı sınıflandırıcı kullanılmıştır. Algoritmalar üç kategoriye ayrılır: Emperor Penguin Colony (EPO), Marine Predators Algorithm (MPA), Salp Swarm Algorithm (SSA), Jellyfish Search Optimizer (JS), Sailfish Optimizer (SFO) ve Whale Optimizer (WOA) gibi deniz canlılarından esinlenen algoritmalar; Ant Colony Optimizer (ACO), Genetic Algorithm (GA) ve Particle Swarm Algorithm (PSA) gibi literatürde iyi bilinen algoritmalar; Ki-Kare (CHI2) olarak geleneksel yöntem. Bu tezde, JS algoritmasını literatürde ilk kez öznitelik seçim sürecinde kullanılmak üzere ikili JS algoritması olarak öneriyoruz. Test sonuçları, EPO'nun naïve bayes sınıflandırıcısını kullanarak en iyi algoritma olduğunu, MPA'nın destek vektör makinesi (SVM) sınıflandırıcısını kullanarak en iyi algoritma olduğunu, SFO'nun K-En Yakın Komşu (KNN) sınıflandırıcısını kullanarak en iyi algoritma olduğunu ve JS'nin özellik seçme işlemi için rassal orman (RF) sınıflandırıcısını kullanarak en iyi algoritma olduğunu gösterdi.