Sınıflandırma problemlerinde özellik seçimi için karşıtlık tabanlı gri kurt optimizasyon algoritması

Abstract

Teknolojinin hızlı bir şekilde ilerlemesiyle çoğalan verilere kolay ve hızlı bir şekilde erişmek için veri kümesinde tanımlanan veriler çeşitli sınıflar arasında dağıtılarak sınıflandırma yapılır. Sınıflandırma problemlerini çözmek için geliştirilen sınıflandırma algoritmalarından yararlanarak veriler benzer özelliklere göre sınıflandırılırlar. Bu sınıflandırma algoritmaları, verilen eğitim veri kümesiyle eğitilerek, öğrenme sağlanır ardından sınıfları belirli olmayan test verileri ile işlem yapıldığında bu verileri doğru bir şekilde sınıflandırmak için çalışırlar. Sezgisel algoritmalar optimizasyon problemlerinde son yıllarda gittikçe popüler bir algoritma haline gelmektedir. Gri Kurt Optimizasyon (GWO) algoritması, gri kurtların toplumsal ve avcılık davranışlarını taklit edilerek geliştirilmiş bir meta sezgisel optimizasyon algoritmasıdır. Bu çalışma kapsamında belirlenen sınıflandırıcıların (K Nearest Neighbour, Support Vector Machine vb.) özellik seçimi için Gri Kurt Optimizasyon algoritması ve karşıtlık tabanlı öğrenme yöntemi kullanılarak geliştirilmiştir. Karşıtlık tabanlı öğrenme, olasılık kuramına göre rastgele bir noktanın karşıt durumu çözüme, rastgele noktadan daha yakın olabilir. Karşıtlık tabanlı öğrenmede birinci aşama karşıtlık tabanlı başlangıç popülasyonun belirlenmesi, bir sonraki aşama ise karşıtlık temelli jenerasyon atlama işlemdir. Önerilen algoritma için karşıtlık tabanlı öğrenme dışında mutasyon ve sınır değeri kontörlü gibi yenilikler eklenmiştir. Bu çalışma kapsamında geliştirilen karşıtlık tabanlı GWO algoritması, mevcut kaynaklardan elde edilen sınıflandırma veri setleri için orijinal GWO algoritması ile eş zamanlı olarak test edilip sonuçlar karşılaştırılmıştır. Bu karşılaşmalar algoritmaların işleyiş zamanları, özellik sayıları, doğruluk değerleri gibi değerler için karşılaştırılmıştır. Karşılaştırmaların sonucunda önerilen geliştirilmiş GWO algoritması orijinal GWO ‘ya kıyasla daha başarılı sonuçlar vermiştir. Karşılaştırmalar zaman, doğruluk değeri, sınıflandırma hatası gibi etmenlerle yapılmıştır.

With the rapid advancement of technology, the data defined in the dataset is distributed and distributed among various classes in order to easily and quickly access the reproduced data. Using the classification algorithms developed to solve classification problems, the data are classified according to similar features. These classification algorithms are trained with the given training dataset, learning is provided, and then they work to classify these data correctly when processing with undetermined test data. Intuitive algorithms have become an increasingly popular algorithm in optimization problems in recent years. Gray Wolf Optimization (GWO) algorithm is a meta heuristic optimization algorithm developed by imitating gray wolves' social and hunting behavior. It was developed by using Gray Wolf optimization algorithm and opposition-based learning method for feature selection of classifiers (K Nearest Neighbour, Support Vector etc.) determined within the scope of this study. Opposite based learning, according to probability theory, the opposite situation of a random point may be closer to the solution than the random point. In the opposition-based learning, the first stage is to determine the opposite-based initial population, and the next stage is the opposition-based generation jump. For the proposed algorithm, innovations such as mutation and boundary value credits have been added apart from opposition-based learning. The opposition-based GWO algorithm developed within the scope of this study was tested simultaneously with the original GWO algorithm for the classification datasets obtained from existing sources and the results were compared. These encounters have been compared for the algorithms' operating times, feature numbers, and accuracy values. The improved GWO algorithm proposed as a result of the comparisons yielded more successful results than the original GWO. Comparisons include time, accuracy, cost value, etc. It was made with factors such as.