Bingöl, HarunBarut, Cebrail2026-06-192026-06-1920252149-6366https://doi.org/10.46810/tdfd.1763151https://search.trdizin.gov.tr/tr/yayin/detay/1378457https://hdl.handle.net/20.500.12899/4786Hiperparametre ayarı, özellikle geleneksel yöntemlerin (Grid Search(GS) ve Random Search(RS)) yetersiz kaldığı yüksek boyutlu ve karmaşık parametre alanlarında, makine öğrenimi modellerinin performansını artırmak için çok önemlidir. Bu çalışma, üç modelde (Lojistik Regresyon (LR), Random Forest (RF) ve Destek Vektör Sınıflandırıcısı (SVM) ) üç veri kümesi (Iris, Meme Kanseri (Breast Cancer), Kırmızı Şarap Kalitesi (Red Wine Quality)) üzerinde değerlendirilen hiperparametre optimizasyonu için paralelleştirilmiş Parçacık Sürüsü Optimizasyonu (P-PSO) yaklaşımını tanıtmaktadır. Deneysel sonuçlar, P-PSO'nun çoğu durumda üstün ağırlıklı F1 puanları elde ettiğini göstermektedir; örneğin, tüm modellerde Iris veri kümesinde 0,96'ya, Breast Cancer'da RF için 0,88'e ve özellikle zorlu Red Wine Quality veri kümesinde RF için 0,69'a ulaşarak diğer optimizasyon tekniklerini 0,02-0,05'e varan marjlarla geride bırakmaktadır. Özellikle karmaşık modellerde daha uzun yürütme sürelerine rağmen, P-PSO daha tutarlı ve daha yüksek doğruluk sunmaktadır. Bu sonuçlar, P-PSO'nun, özellikle hesaplama maliyetinden ziyade model performansının en üst düzeye çıkarılmasının önceliklendirildiği durumlarda, hiperparametre ayarlaması için etkili, ölçeklenebilir ve sağlam bir alternatif olduğunu doğrulamaktadır.eninfo:eu-repo/semantics/openAccessBilgisayar BilimleriYapay ZekaArticle10.46810/tdfd.176315114411212013784571763151