Makine Öğrenmesi Modellerinde Hiperparametre Optimizasyonu için Paralel PSO Yaklaşımı
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Hiperparametre ayarı, özellikle geleneksel yöntemlerin (Grid Search(GS) ve Random Search(RS)) yetersiz kaldığı yüksek boyutlu ve karmaşık parametre alanlarında, makine öğrenimi modellerinin performansını artırmak için çok önemlidir. Bu çalışma, üç modelde (Lojistik Regresyon (LR), Random Forest (RF) ve Destek Vektör Sınıflandırıcısı (SVM) ) üç veri kümesi (Iris, Meme Kanseri (Breast Cancer), Kırmızı Şarap Kalitesi (Red Wine Quality)) üzerinde değerlendirilen hiperparametre optimizasyonu için paralelleştirilmiş Parçacık Sürüsü Optimizasyonu (P-PSO) yaklaşımını tanıtmaktadır. Deneysel sonuçlar, P-PSO'nun çoğu durumda üstün ağırlıklı F1 puanları elde ettiğini göstermektedir; örneğin, tüm modellerde Iris veri kümesinde 0,96'ya, Breast Cancer'da RF için 0,88'e ve özellikle zorlu Red Wine Quality veri kümesinde RF için 0,69'a ulaşarak diğer optimizasyon tekniklerini 0,02-0,05'e varan marjlarla geride bırakmaktadır. Özellikle karmaşık modellerde daha uzun yürütme sürelerine rağmen, P-PSO daha tutarlı ve daha yüksek doğruluk sunmaktadır. Bu sonuçlar, P-PSO'nun, özellikle hesaplama maliyetinden ziyade model performansının en üst düzeye çıkarılmasının önceliklendirildiği durumlarda, hiperparametre ayarlaması için etkili, ölçeklenebilir ve sağlam bir alternatif olduğunu doğrulamaktadır.
Açıklama
Anahtar Kelimeler
Bilgisayar Bilimleri, Yapay Zeka
Kaynak
Türk Doğa ve Fen Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
14
Sayı
4
