Akademik Veri Yönetim Sistemi
2nd INTERNATIONAL TOROS SCIENTIFIC RESEARCH AND INNOVATION CONGRESS, Mersin, Türkiye, 19 - 20 Mayıs 2026, ss.39-50, (Tam Metin Bildiri)
Yapay zekâ ve makine öğrenmesi modellerinde karşılaşılan temel zorluklardan biri, başlangıç
parametrelerinin rastgele atanması ve özellik uzayındaki yüksek boyutluluk nedeniyle kayıp (loss)
fonksiyonunun minimize edilmesinin güçleşmesidir. Özellikle karmaşık veri yapılarında, gerçek ve
tahmin edilen değerler arasındaki farkın azaltılması modelin genelleme yeteneğini doğrudan
etkilemektedir. Bu çalışmada, sınıflandırma performansını maksimize etmek ve modelin hesaplama
maliyetini düşürmek amacıyla öznitelik seçimi (feature selection) ile hiper-parametre optimizasyonu
odaklı, doğadan esinlenen hibrit bir yaklaşım önerilmiştir.
Çalışma kapsamında kullanılan "Ionosphere" veri seti, Goose Bay radar istasyonundan alınan ve
iyonosferdeki serbest elektron yoğunluğuna göre şekillenen 34 farklı teknik özniteliği barındırmaktadır.
Sistem, iyonosferden başarılı bir şekilde yansıyarak yapısal bilgi taşıyan "İyi" (Good) sinyaller ile
iyonosfer katmanını geçerek uzaya kaçan veya atmosferik gürültü nedeniyle bozulan "Kötü" (Bad)
sinyalleri yüksek hassasiyetle ayırt etmeyi hedeflemektedir. Veri setindeki yüksek boyutluluğun neden
olduğu "boyut laneti" (curse of dimensionality) ve aşırı öğrenme (overfitting) riskine karşı, metasezgisel
bir algoritma olan Parçacık Sürü Optimizasyonu (PSO) kullanılmıştır. PSO, arama uzayındaki
parçacıkların kolektif zekasından yararlanarak, fiziksel olarak en ayırt edici ve bilgi içeriği en yüksek
olan öznitelik kombinasyonlarını dinamik olarak belirlemiştir. Sınıflandırma aşamasında ise K-En
Yakın Komşu (KNN) algoritması, optimize edilmiş bu alt uzay üzerinde Öklid tabanlı mesafe ölçütleri
hassaslaştırılarak uygulanmıştır.
Deneysel sonuçlar ve yakınsama grafikleri incelendiğinde; ham veri setiyle eğitilen modelin %85,75
olan doğruluk oranının, PSO tabanlı akıllı özellik seçimiyle her iterasyonda kademeli olarak arttığı
gözlemlenmiştir. 10 iterasyonluk optimizasyon süreci sonunda, anlamlı bir bilgi kaybı yaşanmaksızın
öznitelik sayısı 16’ya indirilmiş; böylece modelin test başarısı %89.74 seviyesine yükseltilerek
%3.99’lük net bir artış kaydedilmiştir. Boyut indirgeme işlemi, modelin karar sınırlarını daha belirgin
hale getirmiş ve sınıflandırma hızını artırmıştır. Elde edilen 0,9373 AUC değeri ve karmaşıklık matrisi
çıktıları, geliştirilen hibrit mimarinin radar sinyallerini karakterize etme ve ayrıştırma konusundaki
operasyonel başarısını kesin olarak kanıtlamaktadır.
One of the fundamental challenges encountered in artificial intelligence and machine learning models
is the difficulty of minimizing the loss function due to the random initialization of parameters and the
high dimensionality of the feature space. Particularly in complex data structures, reducing the
discrepancy between actual and predicted values directly affects the generalization capability of the
model. In this study, a nature-inspired hybrid approach focused on feature selection and hyperparameter
optimization is proposed in order to maximize classification performance and reduce
computational cost.
The “Ionosphere” dataset used in this study consists of 34 different technical features obtained from the
Goose Bay radar station and shaped according to the free electron density in the ionosphere. The system
aims to accurately distinguish between “Good” signals, which are successfully reflected from the
ionosphere carrying structural information, and “Bad” signals, which pass through the ionosphere into
space or are distorted due to atmospheric noise. To address the curse of dimensionality and overfitting
risk caused by the high-dimensional structure of the dataset, Particle Swarm Optimization (PSO), a
metaheuristic optimization algorithm, was employed. PSO dynamically determined the most
discriminative and information-rich feature combinations by utilizing the collective intelligence of
particles in the search space. In the classification stage, the K-Nearest Neighbor (KNN) algorithm was
applied on this optimized subspace using refined Euclidean distance-based metrics.
Experimental results and convergence graphs demonstrated that the accuracy of the model trained on
the raw dataset, initially 85.75%, gradually improved at each iteration through PSO-based intelligent
feature selection. At the end of the 10-iteration optimization process, the number of features was
reduced to 16 without significant information loss, and the test accuracy increased to 90.88%, achieving
a net improvement of 5.13%. The dimensionality reduction process clarified the decision boundaries of
the model and increased classification speed. Furthermore, the obtained AUC value of 0.9373 and
confusion matrix outputs clearly proved the operational success of the proposed hybrid architecture in
characterizing and distinguishing radar signals.