Makine Öğrenmesi için Eta Korelasyon Katsayısı Tabanlı Özellik Seçme Algoritması: E-Score Özellik Seçme Algoritması

Eta Correlation Coefficient Based Feature Selection Algorithm for Machine Learning: E-Score Feature Selection Algorithm

Özet

Makine öğrenmesi alanında özellik seçme algoritmaları büyük öneme sahiptir. Çok büyük verilerin anlamlı bir şekilde azaltılması özellik seçme algoritmalarının temel işlevidir. Bu yöntemler günümüzde hala geliştirilmeye devam etmektedir. Bunun sebebi her geçen gün daha büyük verilerle çalışıyor olmasıdır. Veriler arttıkça daha gelişmiş, performansı daha iyi özellik seçme algoritmalarına ihtiyaç duyulacaktır. Bu çalışmada Eta Korelasyon Katsayısı tabanlı E-Score Özellik seçme algoritması geliştirilmiştir. Geliştirilen yöntem için iki farklı versiyon hazırlanmıştır. E-Score yönteminin performansı üç sınıflandırıcı ile test edilmiştir. Ayrıca literatürde bulunan F-Score Özellik Seçme Algoritması ile de kıyaslanmıştır. Elde edilen sonuçlara göre E-Score özellik seçme algoritmasının her iki versiyonu da performansı arttırmıştır. Ayrıca F-Score ile kıyaslandığında daha iyi başarı oranı elde etmiştir. Bu sonuçlara E-Score Özellik Seçme Algoritmasının makine öğrenmesi alanında kullanılabileceği düşünülmektedir.

Abstract

Feature selection algorithms are great importance in the field of machine learning. The primary function of feature selection algorithmsis to select features in a meaningful way. Features Selection Algorithms methods are still being developed today. The reason for this isthat data quantities are growing day by day. As the data increases, more advanced, better performance, feature selection algorithms areneeded. In this study, Eta Correlation Coefficient based E-Score Feature selection algorithm was developed. Two versions wereprepared for E-Score. We tested the performance of the E-Score method with three classifiers and compared with conventional F-ScoreFeature Selection Algorithm. According to the results, both versions of the E-Score feature selection algorithm have improvedperformance and is better than the F-Score. According to these results, it is thought that the E-Score Feature Selection Algorithm canbe used in the field of machine learning.