ABCNFS-ABCBFS: Genetik Operatörlerle Geliştirilmiş Yapay Arı Kolonisi Öznitelik Seçimi
Bilişim Teknolojileri Dergisi, cilt.19, sa.2, ss.211-223, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 19 Sayı: 2
- Basım Tarihi: 2026
- Doi Numarası: 10.17671/gazibtd.1818784
- Dergi Adı: Bilişim Teknolojileri Dergisi
- Derginin Tarandığı İndeksler: Applied Science & Technology Source, TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.211-223
- Erciyes Üniversitesi Adresli: Evet
Özet
Özellik seçimi, günümüzün veri yoğunluklu uygulamalarında temel bir ön işleme stratejisidir. Gereksiz veya zayıf bilgilendirici özelliklerin belirlenip çıkarılmasıyla modelin doğruluğu artar, genelleme yeteneği güçlenir ve hesaplama karmaşıklığı azalır. Veri kümelerinin özelliklerini doğru yansıtan niteliklerin elde edilmesi ve hatalara yol açan özelliklerin elenmesi, kesin sonuçlara ulaşmak için kritik öneme sahiptir. Bu sistemler aracılığıyla uygun özelliklerin tespiti; oyun geliştirme, ürün geliştirme ve reklamcılık dahil olmak üzere çeşitli modern uygulamalarda kullanılabilir. Yapay Arı Kolonisi algoritması köklü bir meta-sezgisel yöntem olsa da, ayrık özellik seçimine uygulanması genellikle erken yakınsama ve yüksek boyutlu arama uzaylarında çeşitlilik eksikliği sorunlarından mustariptir. Literatürdeki kalıcı bir boşluk; son dönemdeki topluluk tabanlı veya çok aşamalı hibrit modellerde görülen aşırı karmaşıklığa kaçmadan, orijinal ABC'nin uyarlanabilir arama kavramını koruyan, düşük maliyetli ve ikili sisteme özgü bir modifikasyona duyulan ihtiyaçtır. Bu araştırma, parametre salınımını kontrol etmek için sayısal bir modifikasyon oranı kullanan ABCNFS ve %85 iki noktalı çaprazlama ile %15 tek noktalı mutasyona dayalı bir ikili arama stratejisi uygulayan ABCBFS olmak üzere iki farklı yaklaşımdan oluşan ABCN/BFS çerçevesini tanıtmaktadır. Bu modeller, ağırlıklı bir amaç fonksiyonu ve 10 katlı çapraz doğrulama kullanılarak 24 UCI kıyaslama veri kümesi üzerinde değerlendirilmiştir. Önerilen yaklaşımlar, literatürde benzer gösterim ve teknikleri kullanan çalışmalarla aynı örnek veri kümeleri üzerinden karşılaştırılmış ve performansları incelenmiştir. Yapılan çalışma kıyaslama veri kümeleri üzerinde başarılı sonuçlar vermiş ve elde edilen performanslar tartışılmıştır.
Feature selection is a fundamental preprocessing strategy in contemporary data-intensive applications. By identifying and removing redundant or weakly informative features, the model's accuracy improves, its generalization capability is enhanced, and computational complexity is reduced. Obtaining features that accurately reflect the characteristics of the datasets and eliminating features that cause errors is crucial for achieving accurate results. The detection of eligible features through these systems can be utilized in various modern applications, including game development, product development, and advertising. While the Artificial Bee Colony algorithm is a well-established metaheuristic, its application to discrete feature selection often suffers from premature convergence and a lack of diversity in high-dimensional search spaces A persistent gap in the literature is the need for a low-cost, binary-native modification that maintains the adaptive search concept of the original ABC without the excessive complexity seen in recent ensemble- based or multi-stage hybrid models. This research introduces the ABCN/BFS framework, consisting of two distinct approaches: ABCNFS, which utilizes a numerical modification rate (MR = 0.5) to control parameter oscillation, and ABCBFS, which implements a binary search strategy based on 85% two-point crossover and 15% single-point mutation. These models were evaluated against 24 UCI benchmark datasets using a weighted objective function and 10-fold cross- validation. The proposed approaches were compared with studies using similar representations and techniques in the literature, using the same sample datasets, and their performance examined. The results yielded successful results on benchmark datasets, and their performance is discussed.