A metaheuristic optimization technique for feature selection
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bilgi Keşfi sürecinde birçok problemle karşı karşıya gelinmektedir. Bu problemlerden biri biri ise, birbiriyle ilişkisi olmayan, bağlantısız verilerdir. Bu bağlantısız verileri ortadan kaldırmak için çeşitli yollar bulunmaktadır ve Özellik Seçimi onlardan biridir. Özellik Seçimi'nin amacı, orjinal veriyi en iyi şekilde yansıtacak olan özellikleri seçmektedir. Bu özellikleri seçmek için birçok kullanılabilir. Bu tezde bir stokastik algoritmayı özellik seçicisi olarak kullanıyoruz.Diferansiyel Evrim Algoritması, yaygın sezgisel optimizasyon algoritmalarından biridir.. Bu yüzden Özellik Seçici olarak bu algoritma çalıştırılmıştır. Bu alanda son zamanlarda yapılan iki çalışma ile kıyaslandığında yaklaşımımızın başarılı olduğu görülmektedir. In Knowledge Discovery (KD) one of the problems we face is unrelated data. Unrelated data causes performance reduction when attempting to learn or draw insights from the original data. There are several ways to remove unrelated data, and one of them is Feature Selection (FS). FS aims to select features that represent the original data in a relevant and understandable way. There are many ways to select features. This thesis provides an approach to implementing a stochastic algorithm as a feature selector. Differential Evolution algorithm is one of the popular metaheuristic algorithms, so we will employ it as a feature selector. Results and comparisons show that our approach is successful according to a comparison with two recent works in this field.
Collections