• Meta Bulanık Torbalama Fonksiyonları (MF- Torbalama)

Torbalama, birçok makine öğrenmesi probleminde (Sınıflandırma ve Regresyon) başarılı bir şekilde kullanılmaktadır. Ancak, torbalama yönteminin başarısı, kullanılan temel modelin türüne ve veri kümesinin seçimine bağlıdır. Bu proje bu iki durumu efektif bir şekilde iyileştirmeye yönelik tasarlanmıştır. İlk olarak veri kümesinin seçimi rastgele olduğundan model birleştirme aşamasında iyi sonuç vermeyen veri kümesi seçimlerinin elemine edilmesi amaçlanarak daha iyi nihai tahminler elde edilmesi ve ikinci olarak, seçilen iyi veri kümeleri için farklı yöntemler denenerek, iyi sonuç verenin elde edilmesi amaçlanmaktadır.
Bu projede, bireysel torbalama örneklerinin, meta bulanık fonksiyonlarla birleştirilmesi amaçlanmaktadır. Tak tarafından 2018 yılında önerilen meta bulanık fonksiyonlar (MBF), çeşitli yöntemlerden elde edilen sonuçları birleştirmeyi amaçlar. Bu yöntemler, aynı probleme uygulanan farklı algoritmalar olabilir (örneğin, tahmin, öngörü veya sınıflandırma). MBF’ ler, yöntemleri performanslarına göre gruplandırmak için Bulanık C-Ortalamaları (BCO) kümeleme kullanır. Daha sonra, kümeleme işleminden elde edilen üyelik dereceleri kullanılarak yöntemlerin ağırlıklı ortalamaları hesaplanır. Buradaki fikir, daha iyi ve daha kötü yöntemler arasında zeki bir şekilde seçim yaparak sonuçların birleştirilmesi mantığı vardır. BCO ve meta-analiz ilkelerini kullanarak, MBF’ler genel tahmin kalitesini artırmayı amaçlamaktadır. Tak (2018) tarafından yönetilen veya araştırmacısı olduğu çalışmalar, MBF’nin gücünü farklı alanlarda göstermiştir. Bu anlamda, torbalama yönteminden daha iyi sonuçlar elde etmek için MBF kullanılacaktır.

• Özellik Seçimli Tip 1 Bulanık Fonksiyonlar

Bu çalışmada, tip 1 bulanık fonksiyonlar yönteminin performansının önerilecek yeni bir özellik seçimi yöntemi ile arttırılması amaçlanmaktadır. Tip 1 bulanık fonksiyonlar yöntemi model çözümlemesi aşamasında en küçük kareler yöntemini kullanması ve çok sayıda hesaplamalar yapması bakımından karmaşık yapılı veriler için yukarıda bahsedilen sorunları içerisinde barındırmaktadır. Hem en küçük kareler yönteminin varsayımlarını gerektirmemesi hem de aşırı öğrenme ve hantal yapı sorunlarını gidermesi bakımından bu projede önerilen yöntem özgün bir değere sahiptir. Önerilecek olan yöntem, veri setinde bulunan değişkenlerin kümelenmesi ve bu kümeleri en iyi temsil eden özelliklerin seçilmesi mantığına dayanmaktadır. Planlanan proje kapsamında bahsi geçen özellik seçimi yöntemi, literatürde var olan (i) k-ortamalar, (ii) bulanık c-ortalamalar, (iii) sezgisel bulanık ve (iv) olabilirlik bulanık kümeleme yöntemleri ile değerlendirilip önerilecektir.