Kaşıt Tabanlı İkili Parçacık Sürü Optimizasyonu Algoritması İle Öznitelik Seçimi

Abstract

Bu tezde öznitelik seçimi probleminin çözümü için meta-sezgisel algoritmalardan İkili Parçacık Sürü Optimizasyonu algoritmasının Karşıt Tabanlı Öğrenme yöntemi ile birlikte kullanıldığı yeni yaklaşım önerilmiştir. Parçacık Sürü Optimizasyonu algoritmasının başarısını artırmak için Karşıt Tabanlı Öğrenme yöntemi üç farklı şekilde Parçacık Sürü Optimizasyonu algoritması ile birlikte kullanılmıştır. İlk yöntemde Karşıt Tabanlı Öğrenme yöntemi sadece Parçacık Sürü Optimizasyonu algoritmasının başlangıcında kullanılmıştır, ikinci yöntemde hem başlangıç hem de jenerasyonlar boyunca karşıt konumlar dahil edilmiştir, son yöntemde sadece jenerasyonlar boyunca dahil edilmiştir. Deneysel sonuçlara göre ikinci yöntemin istatistiksel olarak daha iyi olduğu gözlemlenmiştir. Deneysel çalışmalarda ayrıca İkili Parçacık Sürü Optimizasyonu algoritmasının içinde kullanılan transfer fonksiyonlarının başarıma etkisi incelenmiştir. Sekiz farklı transfer fonksiyonu denenmiştir. En iyi performansı sağlayan transfer fonksiyonu sigmoid fonksiyonu transfer fonksiyonu olarak seçilmiştir. Önerilen yöntemin başarımını değerlendirmek için, İkili Parçacık Sürü Optimizasyonu algoritması ile karşılaştırma yapılmıştır. Çalışmamızda önerilen yöntem ile İkili Parçacık Sürü Optimizasyonu algoritması aynı veri seti ve değişkenler ile çalıştırılmıştır. Sonuçlar karşılaştırıldığında çalışmamızda önerilen algoritmanın daha iyi sonuç verdiği gözlemlenmiştir. Böylece Karşıt Tabanlı Öğrenme yönteminin İkili Parçacık Sürü Optimizasyonu algoritmasına uygulanması ve trasfer fonksiyonunun değiştirilmesi uygulama başarısını arttırdığı sonucuna ulaşılmıştır.In this thesis, a new approach is proposed, in which Binary Particle Swarm Optimization algorithm, one of the meta-heuristic algorithms, is used together with the Opposite-Based Learning method for the solution of the feature selection problem. In order to increase the success of the Particle Swarm Optimization algorithm, Opposite-Based Learning method was used together with the Particle Swarm Optimization algorithm in three different ways. In the first method, the Opposite-Based Learning method was used only at the beginning of the Particle Swarm Optimization algorithm, in the second method, opposite positions were included both at the start and across generations, in the last method only across generations. According to the experimental results, it was observed that the second method was statistically better. In the experimental studies, the effect of the transfer functions used in the Binary Particle Swarm Optimization algorithm on the performance was also investigated. Eight different transfer functions have been tried. The transfer function providing the best performance was chosen as the sigmoid transfer function. To evaluate the performance of the proposed method, a comparison with the Binary Particle Swarm Optimization algorithm was made. With the method proposed in our study, the Binary Particle Swarm Optimization algorithm was run with the same data set and variables. When the results were compared, it was observed that the proposed algorithm in our study gave better results. Thus, it has been concluded that the application of the Opposite-Based Learning method to the Binary Particle Swarm Optimization algorithm and changing the transfer function increase the success of the application.