Dergiler / Bilgisayar Bilimleri / 2023 / Cilt: Vol:8 Sayı: Issue:1

Parçacık Sürü Optimizasyonu Yoluyla Geliştirilen Doğrusal Bir Sınıflandırıcının Analizi

The Analysis of a Linear Classifier Developed through Particle Swarm Optimization

Sayfa
36–49
Yayın Tarihi
2023-06-08
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)

Deneysel sonuçlar, PSC'nin diğer sınıflandırıcılarla rekabet edebildiğini ve bazı ikili sınıflandırma problemlerinde diğer sınıflandırıcılardan üstün olduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Meta-sezgisel yöntemler, çok çeşitli optimizasyon problemlerine uygun bir çözüm sağlayan sezgisel bir yöntemi keşfetmek için geliştirilmiş üst düzey yaklaşımlardır.
📊
Temel Bulgular & Veri:Ayrıca, PSC, SVM, LR ve PLR'nin ortalama sınıflandırma doğrulukları sırasıyla %80,8, %80,6, %80,9 ve %57,7'dir.
💡
Sonuç & Katkı:Deneysel sonuçlar, PSC'nin diğer sınıflandırıcılarla rekabet edebildiğini ve bazı ikili sınıflandırma problemlerinde diğer sınıflandırıcılardan üstün olduğunu göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:makine öğrenmesi · yapay zeka · parçacık sürü optimizasyonu

Özet

Meta-sezgisel yöntemler, çok çeşitli optimizasyon problemlerine uygun bir çözüm sağlayan sezgisel bir yöntemi keşfetmek için geliştirilmiş üst düzey yaklaşımlardır. Sınıflandırma problemleri bir tür optimizasyon problemi içerir. Kısacası, sınıflandırma problemlerinde amaç yanlış sınıflandırılan örneklerin sayısını azaltmaktır. Bu makalede, meta sezgisel yöntemlerin doğrusal modeller oluşturmak için kullanılıp kullanılamayacağı sorusunu cevaplamaktır. Bu amaçla, doğrusal sınıflandırma problemlerini çözmek için Parçacık Sürü Optimizasyonu (PSO) devreye alınmıştır. Belirli bir amaç fonksiyonuna sahip Parçacık Sürü Sınıflandırıcısı (PSC), on beş veri kümesi üzerine uygulanan Destek Vektör Makinesi (SVM), Perceptron Learning Rule (PLR) ve Logistic Regresyon (LR) ile karşılaştırılmıştır. Deneysel sonuçlar, PSC'nin diğer sınıflandırıcılarla rekabet edebildiğini ve bazı ikili sınıflandırma problemlerinde diğer sınıflandırıcılardan üstün olduğunu göstermektedir. Ayrıca, PSC, SVM, LR ve PLR'nin ortalama sınıflandırma doğrulukları sırasıyla %80,8, %80,6, %80,9 ve %57,7'dir. PSC'nin sınıflandırma performansını artırmak için daha gelişmiş amaç fonksiyonları geliştirilebilir. Ayrıca, başka bir meta sezgisel yöntemle daha sıkı kısıtlamalar oluşturarak sınıflandırma doğruluğu daha fazla artırılabilir.

Abstract

Meta-heuristics are high-level approaches developed to discover a heuristic that provides a reasonable solution to many varieties of optimization problems. The classification problems contain a sort of optimization problem. Simply, the objective herein is to reduce the number of misclassified instances. In this paper, the question of whether meta-heuristic methods can be used to construct linear models or not is answered. To this end, Particle Swarm Optimization (PSO) has been engaged to address linear classification problems. The Particle Swarm Classifier (PSC) with a certain objective function has been compared with Support Vector Machine (SVM), Perceptron Learning Rule (PLR), and Logistic Regression (LR) applied to fifteen data sets. The experimental results point out that PSC can compete with the other classifiers, and it turns out to be superior to other classifiers for some binary classification problems. Furthermore, the average classification accuracies of PSC, SVM, LR, and PLR are 80.8%, 80.6%, 80.9%, and 57.7%, respectively. In order to enhance the classification performance of PSC, more advanced objective functions can be developed. Further, the classification accuracy can be boosted more by constructing tighter constraints via another meta-heuristic.

🔖

Bu Makaleye Atıf Yap

AYDIN, F. (2023). Parçacık Sürü Optimizasyonu Yoluyla Geliştirilen Doğrusal Bir Sınıflandırıcının Analizi. Bilgisayar Bilimleri, Cilt: Vol:8 Sayı: Issue:1, 36–49. https://ajindex.com/articles/945453

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Ahmad, Z., Li, J., & Mahmood, T. (2023). Adaptive Hyperparameter Fine-Tuning for Boosting the Robustness and Quality of the Particle Swarm Optimization Algorithm for Non-Linear RBF Neural Network Modelling and Its Applications. Mathematics, 11(1), 242. https://doi.org/10.3390/math11010242
  2. Almasi, O. N., & Khooban, M. H. (2018). A parsimonious SVM model selection criterion for classification of real-world data sets via an adaptive population-based algorithm. Neural Computing and Applications, 30(11), 3421–3429. https://doi.org/10.1007/s00521-017-2930-y
  3. Asif, M., Nagra, A. A., Ahmad, M. Bin, & Masood, K. (2022). Feature Selection Empowered by Self-Inertia Weight Adaptive Particle Swarm Optimization for Text Classification. Applied Artificial Intelligence, 36(1). https://doi.org/10.1080/08839514.2021.2004345
  4. Athira Lekshmi, B. A., Linsely, J. A., Queen, M. F., & Babu Aurtherson, P. (2018). Feature Extraction and Image Classification Using Particle Swarm Optimization by Evolving Rotation-Invariant Image Descriptors. 2018 International Conference on Emerging Trends and Innovations In Engineering And Technological Research (ICETIETR), 1–5. https://doi.org/10.1109/ICETIETR.2018.8529083
  5. Ay, Ş., Ekinci, E., & Garip, Z. (2023). A comparative analysis of meta-heuristic optimization algorithms for feature selection on ML-based classification of heart-related diseases. The Journal of Supercomputing. https://doi.org/10.1007/s11227-023-05132-3
  6. Aydin, F. (2023). Unsupervised instance selection via conjectural hyperrectangles. Neural Computing and Applications, 35(7), 5335–5349. https://doi.org/10.1007/s00521-022-07974-z
  7. Aziz, Y., & Memon, K. H. (2023). Fast geometrical extraction of nearest neighbors from multi-dimensional data. Pattern Recognition, 136, 109183. https://doi.org/10.1016/j.patcog.2022.109183
  8. Balamurugan, R., Natarajan, A. M., & Premalatha, K. (2015). Stellar-Mass Black Hole Optimization for Biclustering Microarray Gene Expression Data. Applied Artificial Intelligence, 29(4), 353–381. https://doi.org/10.1080/08839514.2015.1016391
  9. Baygin, N., Baygin, M., & Karakose, M. (2019). A SVM-PSO Classifier for Robot Motion in Environment with Obstacles. 2019 International Artificial Intelligence and Data Processing Symposium (IDAP), 1–5. https://doi.org/10.1109/IDAP.2019.8875921
  10. Berkson, J. (1944). Application of the Logistic Function to Bio-Assay. Journal of the American Statistical Association, 39(227), 357–365. https://doi.org/10.1080/01621459.1944.10500699 Bratt