Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması
Yıl: 2023 Cilt: 13 Sayı: 2 Sayfa Aralığı: 281 - 298 Metin Dili: Türkçe DOI: 10.17714/gumusfenbil.1175548 İndeks Tarihi: 19-07-2023
Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması
Öz: Öznitelik seçimi, makine öğrenmesi problemlerinde kabul edilebilir bir sınıflandırma doğruluğunu hedeflerken, aynı zamanda büyük ölçekli bir veri kümesinden gereksiz, alakasız ve gürültülü öznitelikleri elimine etme işlemidir. Aslında öznitelik seçimi de bir optimizasyon problemi olarak nitelendirilebilir. Literatürde metasezgisel optimizasyon algoritmalarının, optimum öznitelik alt kümelerinin bulunmasında başarılı performansa sahip olduğu çalışmalar mevcuttur. Bu çalışmada da beyaz köpek balığı optimizasyon algoritması (BKO), S, V ve U-şekilli transfer fonksiyonları ile ikili forma dönüştürülerek öznitelik seçimi için kullanılmıştır. Önerilen yöntemler UCI veri deposundaki sekiz farklı veri kümesi üzerinde uygulanmış ve sınıflandırma doğrulukları, uygunluk değerleri ve seçilen öznitelik sayıları yönünden incelenmiştir. Sınıflandırıcı olarak k-en yakın komşuluk sınıflandırıcısı kullanılmıştır. Daha sonra farklı metasezgisel algoritmalarla karşılaştırılarak Freidman sıralama testi uygulanmıştır. Deneysel sonuçlar önerilen metotların, öznitelik seçiminde başarılı olduğunu ve sınıflandırma başarısını artırdığını göstermektedir. Özellikle V ve U-şekilli versiyonların daha kararlı ve yüksek doğrulukla sonuçlar ürettiği yorumu yapılabilir.
Anahtar Kelime: Binary white shark optimization algorithm for feature selection problems
Öz: In this study, the geometric process (GP) model is considered in order to calculate the debugging and testing costs of a software product. Under the assumption of the GP model, the debugging and testing costs of the software product are obtained depending on the first and second moment functions of the GP. It is observed that the values of the first and second moment functions of the process must be known in order to calculate the debugging and testing costs. At the same time, the calculation of moment functions also depends on both the distribution of the first interarrival time of the GP and the estimates of the model and distribution parameters. In this study, the proposed debugging and testing costs are calculated for the data set containing 136 failure times of a real-time command and control system. For this dataset, it has been shown in previous studies that the GP with gamma distribution can be proposed as a model. Under gamma distribution assumption, the maximum likelihood estimates of the model parameters are obtained. Using the estimates of the model parameters, the first and second moment functions of the GP are calculated with the help of the numerical methods proposed for these functions. Finally, the debugging and testing costs are obtained for the data set.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- Abdel-Basset, M., Abdel-Fatah, L., & Sangaiah, A. K. (2018). Metaheuristic algorithms: A comprehensive review. Computational intelligence for multimedia big data on the cloud with engineering applications, 185-231. doi:https://doi.org/10.1016/B978-0-12-813314-9.00010-4
- Abualigah, L., Diabat, A., Mirjalili, S., Abd Elaziz, M., & Gandomi, A. H. (2021). The arithmetic optimization algorithm. Computer Methods in Applied Mechanics, 376, 113609. doi:https://doi.org/10.1016/j.cma.2020.113609
- Arora, S., & Anand, P. (2019). Binary butterfly optimization approaches for feature selection. Expert Systems with Applications, 116, 147-160. doi:https://doi.org/10.1016/j.eswa.2018.08.051
- Awadallah, M. A., Hammouri, A. I., Al-Betar, M. A., Braik, M. S., & Abd Elaziz, M. (2022). Binary Horse herd optimization algorithm with crossover operators for feature selection. Computers in Biology Medicine, 141, 105152. doi:https://doi.org/10.1016/j.compbiomed.2021.105152
- Bäck, T., & Schwefel, H.-P. (1993). An overview of evolutionary algorithms for parameter optimization. Evolutionary computation, 1(1), 1-23. doi:https://doi.org/10.1162/evco.1993.1.1.1
- Braik, M., Hammouri, A., Atwan, J., Al-Betar, M. A., & Awadallah, M. A. J. K.-B. S. (2022). White Shark Optimizer: A novel bio-inspired meta-heuristic algorithm for global optimization problems. 243, 108457. doi:https://doi.org/10.1016/j.knosys.2022.108457
- Dash, M., & Liu, H. (1997). Feature selection for classification. Intelligent data analysis, 1(1-4), 131-156. doi:https://doi.org/10.1016/S1088-467X(97)00008-5
- Dehghani, M., Montazeri, Z., Dehghani, A., Malik, O. P., Morales-Menendez, R., Dhiman, G., Nouri, N., Ehsanifar, A., Guerrero, J. M., & Ramirez-Mendoza, R. A. (2021). Binary spring search algorithm for solving various optimization problems. Applied Sciences, 11(3), 1286. doi:https://doi.org/10.3390/app11031286
- Dhiman, G., & Kumar, V. (2019). Seagull optimization algorithm: Theory and its applications for large-scale industrial engineering problems. Knowledge-based systems, 165, 169-196. doi:https://doi.org/10.1016/j.knosys.2018.11.024
- Duda, R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification, Hoboken. In: NJ: Wiley.
- Fan, Q., Chen, Z., & Xia, Z. (2020). A novel quasi-reflected Harris hawks optimization algorithm for global optimization problems. Soft Computing, 24(19), 14825-14843. doi:https://doi.org/10.1007/s00500-020-04834-7
- Friedman, M. (1940). A comparison of alternative tests of significance for the problem of m rankings. The Annals of Mathematical Statistics, 11(1), 86-92. doi:https://doi.org/10.1214/aoms/1177731944
- Grabczewski, K., & Jankowski, N. (2005). Feature selection with decision tree criterion. Fifth International Conference on Hybrid Intelligent Systems (HIS'05) (ss. 6 pp.).
- Hichem, H., Elkamel, M., Rafik, M., Mesaaoud, M. T., & Ouahiba, C. (2019). A new binary grasshopper optimization algorithm for feature selection problem. Journal of King Saud University-Computer Information Sciences. doi:https://doi.org/10.1016/j.jksuci.2019.11.007
- Houssein, E. H., Saad, M. R., Hashim, F. A., Shaban, H., & Hassaballah, M. (2020). Lévy flight distribution: A new metaheuristic algorithm for solving engineering optimization problems. Engineering Applications of Artificial Intelligence, 94, 103731. doi:https://doi.org/10.1016/j.engappai.2020.103731
- Hussien, A. G., Hassanien, A. E., Houssein, E. H., Amin, M., & Azar, A. T. (2020). New binary whale optimization algorithm for discrete optimization problems. Engineering Optimization, 52(6), 945-959. doi:https://doi.org/10.1080/0305215X.2019.1624740
- Jh, H. (1975). Adaptation in natural and artificial systems. Ann Arbor.
- Karaboga, D., Gorkemli, B., Ozturk, C., & Karaboga, N. (2014). A comprehensive survey: artificial bee colony (ABC) algorithm and applications. Artificial Intelligence Review, 42(1), 21-57. doi:https://doi.org/10.1007/s10462-012- 9328-0
- Khanesar, M. A., Teshnehlab, M., & Shoorehdeli, M. A. (2007). A novel binary particle swarm optimization. 2007 Mediterranean conference on control & automation (ss. 1-6).
- Kittler, J. (1978). Feature set search algorithms. Pattern recognition signal processing, 41-60.
- Li, S., Chen, H., Wang, M., Heidari, A. A., & Mirjalili, S. (2020). Slime mould algorithm: A new method for stochastic optimization. Future Generation Computer Systems, 111, 300-323. doi:https://doi.org/doi.org/10.1016/j.future.2020.03.055
- Li, Y., Zhu, X., & Liu, J. (2020). An improved moth-flame optimization algorithm for engineering problems. Symmetry, 12(8), 1234. doi:https://doi.org/10.3390/sym12081234
- Long, W., & Xu, S. (2016). A novel grey wolf optimizer for global optimization problems. 2016 IEEE Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC) (ss. 1266- 1270).
- Luo, K., & Zhao, Q. (2019). A binary grey wolf optimizer for the multidimensional knapsack problem. Applied Soft Computing, 83, 105645. doi:https://doi.org/10.1016/j.asoc.2019.105645
- Mirjalili, S. (2016). SCA: a sine cosine algorithm for solving optimization problems. Knowledge-based systems, 96, 120-133. doi:https://doi.org/10.1016/j.knosys.2015.12.022
- Nadimi-Shahraki, M. H., Banaie-Dezfouli, M., Zamani, H., Taghian, S., & Mirjalili, S. (2021). B-MFO: a binary moth- flame optimization for feature selection from medical datasets. Computers in Biology, 10(11), 136.
- Pal, M., & Foody, G. M. (2010). Feature selection for classification of hyperspectral data by SVM. EEE Transactions on Geoscience Remote Sensing 48(5), 2297-2307. doi:https://doi.org/10.1109/TGRS.2009.2039484
- Poli, R., Kennedy, J., & Blackwell, T. (2007). Particle swarm optimization. Swarm intelligence, 1(1), 33-57. doi:https://doi.org/10.1007/s11721-007-0002-0
- Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81-106.
- Robnik-Šikonja, M., & Kononenko, I. J. M. l. (2003). Theoretical and empirical analysis of ReliefF and RReliefF. 53(1), 23-69.
- Saeys, Y., Inza, I., & Larranaga, P. J. b. (2007). A review of feature selection techniques in bioinformatics. 23(19), 2507-2517. doi:https://doi.org/10.1093/bioinformatics/btm344
- Siedlecki, W., & Sklansky, J. (1993). On automatic feature selection. In Handbook of pattern recognition and computer vision (ss. 63-87): World Scientific.
- Taghian, S., & Nadimi-Shahraki, M. H. (2019). Binary sine cosine algorithms for feature selection from medical data. Advanced Computing: An International Journal (ACIJ), 10. doi:https://doi.org/10.5121/acij.2019.10501
- Thaher, T., Heidari, A. A., Mafarja, M., Dong, J. S., & Mirjalili, S. (2020). Binary Harris Hawks optimizer for high- dimensional, low sample size feature selection. In Evolutionary machine learning techniques (ss. 251-272): Springer.
- Too, J., & Rahim Abdullah, A. (2020). Binary atom search optimisation approaches for feature selection. Connection Science, 32(4), 406-430. doi:https://doi.org/10.1080/09540091.2020.1741515
| APA | KUTLU ONAY F (2023). Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması. , 281 - 298. 10.17714/gumusfenbil.1175548 |
| Chicago | KUTLU ONAY Funda Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması. (2023): 281 - 298. 10.17714/gumusfenbil.1175548 |
| MLA | KUTLU ONAY Funda Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması. , 2023, ss.281 - 298. 10.17714/gumusfenbil.1175548 |
| AMA | KUTLU ONAY F Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması. . 2023; 281 - 298. 10.17714/gumusfenbil.1175548 |
| Vancouver | KUTLU ONAY F Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması. . 2023; 281 - 298. 10.17714/gumusfenbil.1175548 |
| IEEE | KUTLU ONAY F "Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması." , ss.281 - 298, 2023. 10.17714/gumusfenbil.1175548 |
| ISNAD | KUTLU ONAY, Funda. "Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması". (2023), 281-298. https://doi.org/10.17714/gumusfenbil.1175548 |
| APA | KUTLU ONAY F (2023). Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 13(2), 281 - 298. 10.17714/gumusfenbil.1175548 |
| Chicago | KUTLU ONAY Funda Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması. Gümüşhane Üniversitesi Fen Bilimleri Dergisi 13, no.2 (2023): 281 - 298. 10.17714/gumusfenbil.1175548 |
| MLA | KUTLU ONAY Funda Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, vol.13, no.2, 2023, ss.281 - 298. 10.17714/gumusfenbil.1175548 |
| AMA | KUTLU ONAY F Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması. Gümüşhane Üniversitesi Fen Bilimleri Dergisi. 2023; 13(2): 281 - 298. 10.17714/gumusfenbil.1175548 |
| Vancouver | KUTLU ONAY F Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması. Gümüşhane Üniversitesi Fen Bilimleri Dergisi. 2023; 13(2): 281 - 298. 10.17714/gumusfenbil.1175548 |
| IEEE | KUTLU ONAY F "Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması." Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 13, ss.281 - 298, 2023. 10.17714/gumusfenbil.1175548 |
| ISNAD | KUTLU ONAY, Funda. "Öznitelik seçimi problemleri için ikili beyaz köpekbalığı optimizasyon algoritması". Gümüşhane Üniversitesi Fen Bilimleri Dergisi 13/2 (2023), 281-298. https://doi.org/10.17714/gumusfenbil.1175548 |
