Metasezgisel Aquila Optimizasyon Algoritması Temelli Yapay Sinir Ağı Sınıflandırıcı Modeli

Abstract

Bilimsel ve teknolojik alanlarda son dönemde yaşanan hızlı ilerlemeler, önemli miktarlarda verinin ortaya çıkmasına sebep olmaktadır. Gün geçtikçe artan verilerin etkili bir şekilde sınıflandırılması ve anlamlı içeriklere dönüştürülmesi büyük önem kazanmaktadır. Özellikle verilerin sınıflandırılması amacıyla sıklıkla kullanılan yapay sinir ağları (YSA), makine öğrenimi alanlarında çok önemli bir role sahiptir. Yapay sinir ağları, insan beyninin biyolojik işlem süreçlerini taklit ederek, insanlara özgü öğrenme ve karar verme yeteneklerini makinelere kazandıran, etkili bir problem çözme yöntemidir. YSA'nın, verileri sınıflandırma performansı, ağın eğitimi için kullanılan öğrenme algoritmalarının başarısına bağlıdır. Bu tez çalışmasında, YSA bağlantı parametrelerinin optimizasyonu için sürü zekâsını temel alan metasezgisel Aquila optimizasyon (AO) algoritması önerilmektedir. Önerilen model, gradyan tabanlı klasik öğrenme algoritmalarının yerel çözümlere takılma sorununa alternatif olarak metasezgisel AO tabanlı bir YSA modelidir. İlk kez YSA eğitiminde kullanılan AO yöntemi, kaya kartallarının avlanma stratejilerinden esinlenerek geliştirilmiş, literatüre son yıllarda girmiş, dinamik ve esnek yapısıyla dikkat çeken yeni nesil metasezgisel bir optimizasyon yöntemidir. Önerilen hibrit AO-YSA sınıflandırıcı modeli, Şarap, Kanser, Iris ve Cam veri setleri ile MIAS veri tabanından alınan mamografi görüntüleri üzerinde yapılan deneysel çalışmalarla test edilmiş ve metasezgisel tabanlı yöntemin sınıflandırma performansı değerlendirilmiştir. Yapılan çalışmalarda, önerilen yöntemin başarımı, aynı veri kümelerinin sınıflandırılması için kullanılan Gradyan İniş, Levenberg-Marquardt ve Ölçeklendirilmiş Eşlenik Gradyan tabanlı YSA modelleri ile karşılaştırılmıştır. Modellerin test performanslarının karşılaştırılmasında Doğruluk, Çapraz Entropi, Cohen's Kappa, ROC-AUC, F1-Skor gibi karmaşık veri setleriyle uyumlu performans değerlendirme ölçütleri kullanılmıştır. Deneysel sonuçlar, önerilen yöntemin tüm veri setlerinde diğer algoritmalara göre üstün performans sergilediğini açıkça ortaya koymaktadır. Modelin ikili ve çoklu sınıflandırma problemleri için YSA eğitiminde sergilediği performans ve avantajlar, makine öğrenimi alanlarında gelecekteki çalışmalarda önemli bir rol oynayabileceğini göstermektedir.Recent rapid advancements in science and technology have resulted in significant data volumes, making the effective classification and transformation of this increasing data into meaningful content paramount. Artificial Neural Networks (ANNs) play a crucial role in machine learning, especially in data classification. ANNs are an effective problem-solving method, mimicking the biological processes of the human brain to grant machines unique learning and decision-making capabilities. The performance of ANNs in classifying data depends on the success of the learning algorithms used for network training. In this thesis, a metaheuristic Aquila optimization (AO) algorithm, based on swarm intelligence, is proposed to optimize ANN connection parameters. The proposed model is a metaheuristic AO-based ANN model, serving as an alternative to the issue of getting stuck in local solutions encountered by gradient-based classical learning algorithms. The AO method, inspired by eagles' hunting strategies and initially applied in ANN training, has entered the literature recently as a next-gen metaheuristic optimization technique, distinguished by its dynamic and flexible structure. The proposed hybrid AO-YSA classifier model has been tested and evaluated for its performance through experimental studies conducted on datasets including Wine, Cancer, Iris, and Glass, as well as mammography images taken from the MIAS database. The performance of the proposed method has been compared with Gradient Descent, Levenberg-Marquardt, and Scaled Conjugate Gradient-based YSA models used for the classification of the same datasets. Various performance evaluation criteria suitable for intricate datasets, including Accuracy, Cross-Entropy, Cohen's Kappa, ROC-AUC, and F1-Score, were utilized in comparing the test performances of the models. Experimental results clearly demonstrate that the proposed method outperforms other algorithms across all datasets. The performance and advantages exhibited by the model in the training of ANN for both binary and multi-classification problems indicate that it may play a significant role in the field of machine learning.