Makine öğrenmesi modellerinin performansının Meta-Sezgisel Hiperparametre ayarlaması yoluyla Geliştirilmesi: Meme kanseri tahmini için bir karşılaştırma

Creative Commons License

AKBULUT H.

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, cilt.18, sa.0, 2026 (TRDizin)

Özet

Meme kanseri, kadınlar arasında mortalite ve morbiditenin başlıca nedenlerinden biridir. Erken teşhis ve müdahale, tedavi sürecinin başarısını artırmakta ve hastaların yaşam kalitesinin korunmasına önemli katkı sağlamaktadır. Bu çalışma, meme kanseri tahmininde kullanılan makine öğrenmesi modellerinin performansını artırmak amacıyla meta-sezgisel hiperparametre optimizasyon tekniklerini incelemektedir. Beş farklı makine öğrenmesi modeli, 569 örnek ve 30 özellikten oluşan bir veri seti üzerinde değerlendirilmiş; ayrıca literatürde yaygın olarak kullanılan on farklı meta-sezgisel algoritmanın performansları karşılaştırmalı olarak analiz edilmiştir. Algoritmalar arasındaki performans farklılıklarının istatistiksel anlamlılığı, öncelikle Kruskal–Wallis testi ile değerlendirilmiş, ardından SFOA algoritması referans alınarak Mann–Whitney U testi ve Bonferroni düzeltmeli çoklu karşılaştırmalar ile ikili analizler gerçekleştirilmiştir. Başlangıçta elde edilen doğruluk oranları, uygulanan meta-sezgisel optimizasyon süreçleri sayesinde ortalama yaklaşık %2.6 oranında artış göstermiştir. Çalışmada ayrıca doğruluk, kesinlik, duyarlılık, F1 skoru, karmaşıklık matrisi, Cohen’s Kappa ve log loss gibi performans ölçütleri kullanılarak çok boyutlu bir değerlendirme yapılmıştır. Elde edilen bulgular, meta-sezgisel yöntemlerin hiperparametre optimizasyonunda etkili ve güvenilir bir yaklaşım sunduğunu, SFOA algoritmasının ise bazı rakip yöntemlere göre istatistiksel olarak anlamlı düzeyde daha yüksek performans sergilerken diğer güçlü yöntemlerle benzer doğruluk düzeyine ulaştığını göstermektedir.
Breast cancer is one of the leading causes of mortality and morbidity among women. Early diagnosis and timely intervention significantly improve treatment outcomes and contribute to maintaining patients' quality of life. This study investigates metaheuristic hyperparameter optimization (HPO) techniques to enhance the performance of machine learning models used for breast cancer prediction. Five different machine learning models were evaluated on a dataset consisting of 569 samples and 30 features. In addition, the performance of ten widely used metaheuristic algorithms reported in the literature was comparatively analyzed. The statistical significance of the performance differences among the algorithms was first assessed using the Kruskal–Wallis test. Subsequently, pairwise comparisons were conducted using the Mann–Whitney U test with Bonferroni correction, taking the SFOA algorithm as the reference method. The initial classification accuracy improved by approximately 2.6% following the application of metaheuristic optimization. Furthermore, a comprehensive evaluation was performed using multiple performance metrics, including accuracy, precision, recall, F1-score, confusion matrix, Cohen’s kappa, and log loss. The findings demonstrate that metaheuristic methods provide an effective and reliable approach to HPO. Moreover, while the SFOA algorithm achieved statistically significantly higher performance than some competing methods, it attained a level of predictive accuracy comparable to that of other strong-performing algorithms.