Yapay arı kolonisi algoritması ile özellik seçimi

Veri madenciliği ve makine öğrenmesi alanında özellik seçimi boyut indirgemek amacıyla yapılmaktadır. Bu sayede makine öğrenmesi yöntemleri ile işlenen veriler üzerinde hem işlem süresi azalmakta hem de gereksiz özelliklerin silinmesiyle makine öğrenmesi yöntemlerinin sınıflandırma başarıları artmaktadır. Özellik seçiminde veri kümesindeki özelliklerin sayısına bağlı olarak seçilebilecek özellik alt kümelerinin sayısı üstel şekilde artmakta ve bundan dolayı olası bütün çözümlerin denenerek optimum alt kümenin bulunması uzun süreler alabilmektedir. Tez kapsamında öncelikle özellik seçme problemi ikili optimizasyon problemi olarak ele alınmış ve her özelliğin seçilip seçilmediği {0,1} kümesi ile temsil edilmiştir. Bir özellik için 0 değeri özelliğin seçilmediğini ve 1 değeri ise özelliğin seçildiğini temsil etmektedir. İkili optimizasyon ile modellenen problemdeki çok zaman tüketebilen bu sürecin üstesinden gelmek amacıyla literatürde özellik seçimi için evrimsel hesaplama ve/veya sürü zekâsı algoritmalarına sıklıkla başvurulmaktadır. Bu algoritmalar ikili, ayrık, sürekli vb. herhangi bir optimizasyon probleminde optimum çözümü garanti etmese de makul sürelerde optimum veya yakın optimum çözümleri elde edebilmektedir. Bu tez çalışmasında sürü zekâsı alanının önde gelen üyelerinden biri olan yapay arı kolonisi algoritmasının ikili versiyonları üzerinde durulmuştur. 8 farklı ikili ABC algoritması 5 farklı veri setinde özellik seçme amacıyla kullanılmıştır. Bu algoritmalarda üretilen çözümlerin değerlendirilmesi amacıyla amaç fonksiyon olarak aşırı öğrenme makinesi ile eğitilmiş yapay sinir ağı kullanılmıştır. Bir çözümün değerlendirilmesi için çözümdeki özellikler ile veri kümesi indirgenmekte ve elde edilen indirgenmiş veri kümesi eğitim ve test olarak ikiye ayrılmaktadır. Eğitim veri seti üzerinde aşırı öğrenme makinesi ile yapay sinir ağı eğitilmekte ve eğitilmiş ağ ile test veri seti sınıflandırılmaktadır. Sınıflandırma hatası ise bu amaç fonksiyondan döndürülmekte ve çözümün kıyaslanması amacıyla kullanılmaktadır. Yöntemlerin veri kümelerine uygulanması sonucunda indirgenmiş veri kümeleri ile yapılan sınıflandırma işleminde hem eğitim başarısı hem de test başarılarının indirgenmemiş veri kümesine göre daha yüksek başarı elde ettiği görülmüştür. Ayrıca ikili ABC algoritmaların karşılaştırılmasında ise genetik operatörler kullanılarak ikili optimizasyon amacıyla uygulanan ABC algoritmasının diğer algoritmalardan daha başarılı sonuçlar ürettiği görülmüştür.