Solving feature selection problem by a new approach on ıntelligent multi-objective optimization algorithms

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: İngilizce

Öğrenci: TOHID YOUSEFI

Danışman: Özlem Varlıklar

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Özellik seçimi, özellikle biyomedikal araştırmalarda yüksek boyutlu veri kümeleriyle çalışırken, doğru ve verimli makine öğrenmesi modelleri geliştirmek için kritik öneme sahiptir. En uygun özellik alt kümesinin seçilmesi hesaplama maliyetini düşürür, model performansını artırır ve yorumlanabilirliği geliştirir. Ancak, bu optimal alt kümenin belirlenmesi önemli bir zorluktur. Bu çalışmada, makine öğrenmesi ve metasezgisel optimizasyonu birleştiren yeni hibrit algoritmalar önerilmektedir. Toplamda 131 algoritma test edilmiş, bunların 115'i hibrit algoritma olup birçoğu literatürde ilk kez tanıtılmıştır. Boruta-XGBoost, ANN-KGA, ANN-IKGA ve ANN-NSGA-II yaklaşımları daha az özellik kullanarak yüksek doğruluk elde etmiş ve öne çıkan yöntemler olmuştur. Bodyfat veri setinde yapılan deneylerde, Boruta-XGBoost yalnızca 6 özellik ile 0.88 R² değerine ulaşmıştır. Ayrıca ANN-KGA 6 özellikle 0.845, ANN-IKGA 5 özellikle 0.858 ve ANN-NSGA-II 4 özellik ile 0.849 R² değerine ulaşmıştır. Bu bulgular, 100'den fazla alternatif algoritma ile kıyaslanarak doğrulanmış ve önerilen yöntemlerin etkinliğini ortaya koyarak literatüre yeni hibrit özellik seçme algoritmaları kazandırmıştır.