KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2017 / Cilt: 32 - Sayı: 4

Değiştirilmiş ateşböceği optimizasyon algoritması ile kural tabanlı çoklu sınıflama yapılması

İbrahim Berkan AYDİLEK
Sayfa
1097–1108
Yayın Tarihi
2017-12-08
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen deneysel sonuçlarda, önerilen sınıflama yönteminin oldukça yeterli ve başarılı sonuçlar verdiği görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Son yıllarda doğadan esinlenerek oluşturulmuş modern sürü zekalı optimizasyon algoritmaları daha popüler hale gelmiştir.
📊
Temel Bulgular & Veri:Kural tabanlı sınıflama yapabilmek için her sınıf etiketine ait kural elde edilerek kural listesi oluşturulmuş ve sınıflama başarısı C4.5, PART, Naive-Bayes gibi bilinen diğer sınıflama yöntemleri ile karşılaştırılmıştır.
💡
Sonuç & Katkı:Elde edilen deneysel sonuçlarda, önerilen sınıflama yönteminin oldukça yeterli ve başarılı sonuçlar verdiği görülmüştür.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Ateşböceği optimizasyon algoritması · kural çıkarımı · kural tabanlı sınıflama

Özet

Son yıllarda doğadan esinlenerek oluşturulmuş modern sürü zekalı optimizasyon algoritmaları daha popüler hale gelmiştir. Bu optimizasyon tekniklerinden biri de ateşböceği algoritmasıdır. Ateşböceği algoritması doğadaki ateşböceklerinin yaydıkları ışık şiddetine göre daha az parlak olanın parlak olana doğru yönelme prensibini temel alarak çalışır. Doğada ışık, gideceği mesafe ve bulunduğu ortam türüne göre belirli bir miktar emilime uğradığından dolayı şiddeti azalarak yayılmaktadır. Bu yüzden, bu makalede ortamda yani havada meydana gelen anlık değişimlerin ateşböceği algoritması tarafından dikkate alınması önerilmiş ve böylece algoritmanın daha iyi olması sağlanmıştır. Bu şekilde elde edilen değiştirilmiş ve iyileştirilmiş ateşböceği algoritması, literatür çalışmalarında sıklıkla kullanılan çok sınıflı özelliğe sahip iris, car, zoo gibi üç veri kümesi üzerinde sınıflama amacıyla uygulanmıştır. Kural tabanlı sınıflama yapabilmek için her sınıf etiketine ait kural elde edilerek kural listesi oluşturulmuş ve sınıflama başarısı C4.5, PART, Naive-Bayes gibi bilinen diğer sınıflama yöntemleri ile karşılaştırılmıştır. Elde edilen deneysel sonuçlarda, önerilen sınıflama yönteminin oldukça yeterli ve başarılı sonuçlar verdiği görülmüştür.

🔖

Bu Makaleye Atıf Yap

AYDİLEK, İ. B. (2017). Değiştirilmiş ateşböceği optimizasyon algoritması ile kural tabanlı çoklu sınıflama yapılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 32 - Sayı: 4, 1097–1108. https://ajindex.com/articles/20161

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Okay F.Y., Ozdemir S., Improving Coverage in Wireless Sensor Networks Using Multi-Objective Evolutionary Algorithms, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (2), 143-53, 2015
  2. Demir Y., Celik C., An Integer Programming Approach for Curriculum Based Timetabling Problem Solution, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (1), 145-59, 2016
  3. Zhonga F., Lia H., Zhongb S., A modified ABC algorithm based on improved-global-best-guided approach and adaptive-limit strategy for global optimization, Applied Soft Computing, 46, 469–486, 2016
  4. Cuicui Y.,, Junzhong J., Jiming L., Baocai Y., Bacterial foraging optimization using novel chemotaxis and conjugation strategies, Information Sciences, 363, 72–95, 2016
  5. Emary E., Zawba H.M., Hassanien A.E., Binary grey wolf optimization approaches for feature selection, Neurocomputing, 172, 371-81, 2016
  6. Wang H., Wang W.J., Sun H., Rahnamayan S., Firefly algorithm with random attraction. Int J Bio-Inspir Com., 8 (1), 33-41, 2016
  7. Verma O.P., Aggarwal D., Patodi T., Opposition and dimensional based modified firefly algorithm, Expert Syst Appl., 44, 168-76, 2016
  8. Nekooeimehr I., Lai-Yuen S.K., Adaptive semi-unsupervised weighted oversampling (A-SUWO) for imbalanced datasets, Expert Syst Appl., 46, 405-16, 2016
  9. Rudzinski F., A multi-objective genetic optimization of interpretability-oriented fuzzy rule-based classifiers, Appl Soft Comput., 38, 118-33, 2016
  10. Wu J., Yang L., Li T.R., Zhang C.J., Li Z.H., Rule-based fuzzy classifier based on quantum ant optimization algorithm, J Intell Fuzzy Syst., 29 (6), 2365-71, 2015
  11. Lee J.H., Yeh W.C., Chuang M.C., Web page classification based on a simplified swarm optimization, Appl Math Comput., 270, 13-24, 2015
  12. Pourpanah F., Lim C.P., Saleh J.M., A hybrid model of fuzzy ARTMAP and genetic algorithm for data classification and rule extraction, Expert Syst Appl., 49, 74-85, 2016
  13. Wang H., Zhou X., Sun H., Yu X., Zhao J., Zhang H., Cui L., Firefly algorithm with adaptive control parameters, Soft Comput, DOI 10.1007/s00500-016-2104-3, 2016
  14. Wang B., Li D.X., Jiang J.P., Liao Y.H., A modified firefly algorithm based on light intensity difference, J Comb Optim., 31 (3), 1045-60, 2016
  15. Al-Maqaleh, B., Shabazakia, H., A genetic algorithm for discovering classification rules in data mining, International Journal of Computer Applications, 41, 18, 40- 44, 2012
  16. Fidelis M.V.