Günümüzde multimedya içerik üretimi yüksek boyutlara ulaşmıştır. Bu miktar artışı
değerli içeriğe erişmenin zorlaşmasına sebep olmuştur. Veri madenciliği anlamlı veriye
ulaşmak için gerekli hale gelmiştir. Madencilik sürecinin önemli bir adımı da veri boyutunun
azaltılmasıdır. Özellik seçimi, veri kümesinde bulunan ilgisiz, gürültülü veya eksik verileri
çıkarak veri boyutunu azaltır. Bu şekilde, veri analizinde kullanılan yöntemlerin daha verimli
ve hızlı çalışmasını sağlar.
Bu tezde, doğadan esinlenen meta-sezgisel algoritmalar ve yapay sinir ağları
kullanılarak özellik seçimi yapılmıştır. Seçilen özelliklerin bulunduğu özelleştirilmiş veriler
birçok yöntem ile sınıflandırılmıştır. Bu çalışma, analiz edilen müzik veri setinde bazı
iyileştirmeler yapılarak sınıflandırma başarımının artırılması konusuna odaklanmıştır.
Kullanılan yöntemler karşılaştırılmalı olarak sunulmuş ve elde edilen sonuçlar
değerlendirilmiştir
Nowadays, multimedia content production has reached high levels. This amount
increase made it difficult to access valuable content. Data mining has become necessary to reach
meaningful data. An important step in the mining process is the reduction of the data size. The
feature selection reduces the size of the data by removing unrelated, noisy or missing data from
the data set. In this way, it enables the methods used in data analysis to work more efficiently
and faster.
In this thesis, feature selection is made by using nature-inspired metaheuristic
algorithms and artificial neural networks. Customized data with selected features are classified
by many methods. This study focused on increasing the classification performance by making
some improvements in the analyzed music dataset. The methods used are presented
comparatively and the results obtained are evaluated
