KONTROLLÜ DENGESİZLİK SENARYOLARINDA TOPLULUK ÖĞRENME MODELLERİN SİSTEMATİK KARŞILAŞTIRMASI
Open Access
- 30 June 2025
- journal article
- Published by Isparta Uygulamali Bilimler Universitesi in Uluslararası Sürdürülebilir Mühendislik ve Teknoloji Dergisi
- Vol. 9 (1) , 41-50
Abstract
Bu çalışma, sınıf dengesizliğinin topluluk öğrenme algoritmaları üzerindeki etkisini kontrollü bir deneysel tasarım ile incelemeyi amaçlamaktadır. Çalışma kapsamında, Iris ve Wine veri setleri üzerinde dört farklı sınıf dağılımı senaryosu (orijinal, hafif, orta ve şiddetli dengesizlik) uygulanmış ve her senaryoda Random Forest, Gradient Boosting ve Bagging algoritmaları test edilmiştir. Değerlendirmelerde yalnızca doğruluk değil, aynı zamanda Macro-F1, Balanced Accuracy, G-Mean ve Cohen Kappa gibi çoklu performans metrikleri kullanılmıştır. Elde edilen bulgular, Gradient Boosting modelinin yüksek dengesizlik düzeylerinde ciddi performans kayıpları yaşadığını; buna karşılık Random Forest algoritmasının tüm senaryolarda kararlı ve güvenilir sonuçlar sunduğunu ortaya koymuştur. Bu yönüyle çalışma, sınıf dengesizliğine karşı dayanıklı model seçiminin ve çok boyutlu metriklerle yapılan değerlendirmelerin önemini vurgulamaktadır.Keywords
This publication has 34 references indexed in Scilit:
- Generalized Cohen’s Kappa: A Novel Inter-rater Reliability Metric for Non-mutually Exclusive Categories2023
- The Python Programming Language2023
- Ensemble Learning2021
- A comparative analysis of gradient boosting algorithmsArtificial Intelligence Review, 2020
- A Review on Random Forest: An Ensemble Classifier2018
- Scikit-Learn2016
- Index of Balanced Accuracy: A Performance Measure for Skewed Class Distributions2009
- A bootstrap-based aggregate classifier for model-based clusteringComputational Statistics, 2008
- Machine learning: a review of classification and combining techniquesArtificial Intelligence Review, 2006
- Stratified Sampling1996