Year: 2026
Type: dissertation
Abstract: Bu tez çalışmasında, sınıflandırma problemlerinde kullanılan ELM ve varyantlarının performansları incelenmiş ve elde edilen bulgular doğrultusunda CELM temel alınarak yeni bir model geliştirilmiştir. Çalışmanın ilk aşamasında ELM ve varyantları farklı görüntü sınıflandırma veri kümeleri üzerinde karşılaştırılmış ve CELM yaklaşımının yeni modelin geliştirilmesi için uygun bir temel sunduğu belirlenmiştir. Bununla birlikte, tek bir kısıtlama stratejisinin kullanılması farklı sınıf ilişkilerinin birlikte değerlendirilmesini sınırlandırabildiğinden, bu sınırlılığın giderilmesi amacıyla ReSQu-CELM modeli önerilmiştir. ReSQu-CELM'de gizli katman dört bölüme ayrılmış ve farklı örnek ilişkilerini temel alan dört kısıtlama stratejisi bu bölümlere rastgele atanmıştır. Böylece sınıflar arası ve sınıf içi ilişkilerden aynı öğrenme yapısı içerisinde yararlanılması amaçlanmıştır. Farklı gizli nöron sayılarının değerlendirildiği deneylerde 100 gizli nöronlu yapı 1,93 ortalama sıralama değeriyle en uygun yapı olarak belirlenmiştir. Önerilen model WaveformEW, Ecoli, Breast Cancer, Madelon, Hill-Valley ve Digits veri kümeleri üzerinde değerlendirilmiş; deneylerde 10 katlı tabakalı çapraz doğrulama kullanılarak doğruluk, hassasiyet, geri çağırma, Makro-F1, Ağırlıklı-F1 ve eğitim süresi ölçütleri incelenmiştir. ELM tabanlı modellerle yapılan karşılaştırmalar, ReSQu-CELM'in başarımının veri kümesinin özelliklerine göre değiştiğini ve özellikle bazı karmaşık veri yapılarında avantaj sağlayabildiğini göstermiştir. Geleneksel makine öğrenmesi yöntemleriyle yapılan genel karşılaştırmada ReSQu-CELM 2,70 ortalama sıralama değeriyle SVM (2,47) ve RF'nin (2,60) ardından üçüncü sırada yer almıştır. Eğitim süresi açısından ise 1,83 ortalama sıralama değeri elde edilmiştir. Sonuç olarak, farklı kısıtlama stratejilerinin aynı ELM tabanlı yapı içerisinde kullanılmasının veri yapısına bağlı olarak sınıflandırma performansına katkı sağlayabildiği görülmüştür. ReSQu-CELM, her veri kümesinde en yüksek başarıyı sağlamamakla birlikte, farklı örnek ilişkilerini birlikte değerlendiren ve sınıflandırma başarımı ile hesaplama maliyeti arasında dengeli sonuçlar sunan alternatif bir ELM yaklaşımı ortaya koymaktadır.
Authors: Bozoğlan, Kübra, Yüzgeç, Uğur
Institution: Bilecik Şeyh Edebali Üniversitesi
Language: Turkish
Topic: Machine Learning and ELM
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7221241856
