AI Summary & Key Takeaways
AI InsightHigh accuracy improves the model's reliability and effectiveness in application, thereby preventing misclassification and improving overall performance.
📌 3 Key Takeaways
Abstract
Abstract: Achieving high accuracy rates in the field of image processing often exceeds the limits of a single model. Therefore, hybridizing XGBoost and deep learning models is a common approach to obtaining more accurate and reliable results. Deep learning models are highly capable of extracting complex and meaningful features from images. However, to effectively classify these features, the use of a powerful machine learning algorithm like XGBoost can further enhance performance. Hybrid models combine the best features of both models, allowing them to achieve higher accuracy rates that would not be possible if used individually. High accuracy improves the model's reliability and effectiveness in application, thereby preventing misclassification and improving overall performance. Therefore, hybridization of models is essential for better results. In this paper, after flattening the extracted features, an XGBoost-based model was trained by utilizing decision trees, and the model achieved an accuracy of 98.813% on the test data. SHAP and XAI LIME were employed to explain the model, providing visualizations of how the features impacted the model's decisions positively or negatively based on their weight values, and demonstrating how these features influenced the decision-making process.
Özet
Görüntü işleme alanında yüksek doğruluk oranlarına ulaşmak, çoğu zaman tek bir modelin sınırlarını aşar. Bu nedenle XGBoost ve derin öğrenme modellerinin hibritlenmesi, daha doğru ve güvenilir sonuçlar elde etmek için yaygın bir yaklaşımdır. Derin öğrenme modelleri görüntülerden karmaşık ve anlamlı özellikler çıkarma konusunda oldukça yeteneklidir. Ancak, bu özelliklerin etkin bir şekilde sınıflandırılması için XGBoost gibi güçlü bir makine öğrenmesi algoritmasının kullanılması, performansı daha da artırır. Hibrit modeller, her iki modelin en iyi özelliklerini birleştirerek tek başına kullanıldıklarında elde edemeyecekleri yüksek doğruluk oranlarına ulaşabilirler. Yüksek doğruluk oranı modelin güvenirliğini ve uygulamadaki etkinliğini artırır, böylece yanlış sınıflandırmanın önüne geçilir ve genel performans iyileştirilir. Bu nedenle modellerin hibritlenmesi daha iyi sonuç elde etmek için gereklidir. Bu makalede XGBoost modelini kullanırken çıkarılan özellikleri düzleştirdikten sonra XGBoost karar ağaçları tabanlı bir model eğitilerek model oluşturulmuş ve oluşturulan model üzerinde test verileri 98.813 yüzde ile doğruluk göstermiştir. Bu modelin açıklanmasında SHAP, XAI lime gibi açıklanabilir modeller kullanılmıştır. Çıkarılan özelliklerin ağırlık değerlerine göre modeli olumlu ya da olumsuz etkilemesi veya özelliklerin kararların alınmasında nasıl etkilediği grafik olarak verilmiş.