Büyük boyutlu verilerde öznitelik seçimi için ikili yapay arı kolonisi yaklaşımı

Abstract

Bilgisayar alanındaki hızlı ilerlemeler neticesinde veri tabanlarında çok fazla öznitelik içeren büyük miktarlarda bilgi depolanmaktadır. Ancak mevcut özniteliklerin hepsi verinin yorumlanabilmesine katkı sa˘glamayabilir. Bu ilgisiz öznitelikler büyük arama uzayı oluşturdu˘gundan sınıflama/kümeleme ba¸sarısını olumsuz etkilemektedir. Bu nedenle benzer veya daha iyi performans elde edebilmek için veriyi dogru temsil eden öznitelik alt gruplarının belirlenmesi önem kazanmaktadır. Yapay Arı Kolonisi (YAK) algoritması dogadan esinlemeli bir sürü zekası optimizasyon algoritmasıdır. Algoritma, bal arılarının doğadaki besin arama davranıslarını modellemektedir. Sürekli uzay problemleri için geliştirilmiş olan algoritma, hızlı ve efektif çözümler sunmaktadır. Ancak ayrık uzay problemlerine uygulamak için modifiye edilmesi gerekmektedir. Tez kapsamında; sınıflandırma ve kümeleme alanlarında büyük boyutlu veriler söz konusu oldugunda genel olarak karşılaşılan islem maliyeti, hesaplama zamanı ve dü¸sük sınıflandırma/kümeleme ba¸sarısı problemlerinin çözümü için YAK tabanlı bir yaklaşım geliştirmek amaçlanmıştır. Öznitelik seçimi, bir optimizasyon algoritması ile çözümlenmek istendiğinde, ikili arama uzayına ihtiyaç duydugu için tez kapsamında, YAK algoritmasının ikili uzaya taşımak amaçlanmıştır. Bu kapsamda ilk olarak, literatürde mevcut ikili YAK algoritmaları, öznitelik seçimi problemine uygulanması ve 15 algoritma karşılaştırılarak güçlü ve zayıf yönleri belirlenmistir. Öznitelik seçimi için efektif oldu˘gu görülen Biti¸slem Operatörleri Tabanlı ˙Ikili Yapay Arı Kolonisi Algoritması (BitABC), altı farklı sınıflandırıcı ile farklı veri kümelerine uygulanarak, sınıflandırıcı performansları karşılaştırılmıştır. BitABC algoritmasının efektif ancak lokal arama kapasitesi yetersiz görüldü˘günden ilk olarak sürünün en iyi bireyi etrafında yapılmak üzere bir lokal arama fonksiyonu eklenmiştir. Sonuçlar lokal arama fonksiyonunun ba¸sarıyı artırdı˘gını göstermektedir. Sonraki adımda lokal aramanın kapsamı genişletilerek, algoritmanın sezgiseligini etkilemeyecek ¸sekilde işçi ve gözcü arı aşamalarına da eklenmistir. Geliştirilen yöntem çeşitli büyüklüklerde 13 veri kümesinde test edilmi¸s ve sonuçlar evrimsel algoritmalar ile karşılatırılmıştır. Gen ekspresyon seviyelerini ölçmek için kullanılan bir teknoloji olan mikrodiziler, binlerce boyuttan oluşan veri kümeleridir ve her bir boyut bir geni temsil etmektedir. Hastalık ile dogrudan iliskili genlerin tespiti için boyut indirgeme yapılması gerekmektedir. Gen seçimi işlemini YAK algoritması ile efektif bir ¸sekilde çözebilmek için öğrenme stratejisini kendinden uyarlamalı bir yöntem ile belirleyen Olasılıksal ˙Ikili Yapay Arı Kolonisi (PrBABC) algoritması geliştirilmiş ve dokuz veri kümesinde performansı test edilmistir. Evrimsel algoritmalar ile sonuçlar kar¸sıla¸stırıldı˘gında önerilen yöntemin gen seçiminde basarılı oldugu görülmüştür.