Tez çalışmasında bir yapay bağışıklık sınıflandırıcı sistemi olan Yapay Bağışıklık Tanıma Sistemi (YBTS) incelenmiş ve tespit edilen eksiklikleri gidermek amacıyla Bilgi Kazancı Tabanlı Yapay Bağışıklık Tanıma Sistemi (BK-YBTS) geliştirilmiştir. Bu eksiklikler arasında, YBTS'nin çalışma süresinin çok zaman alması ve sınıflandırma performansının düşük olması sayılabilir. Tüm bu eksikliklere, hücreler arası duyarlılık hesabında bütün özelliklerin eşit ağırlıkta kabul edilmesi, mutasyon mekanizmasının rasgele değer atama şeklinde gerçekleşmesi ve duyarlılık eşik değeri hesabı ile kaynak tahsisi mekanizmasında eğitim verilerinin sınıf değerlerinin kullanılmaması sebep olmaktadır. YBTS'den kaynaklanan bu eksiklikleri gidermek amacıyla geliştirilen sistemde; hücreler arası duyarlılık hesabında bilgi kazancı kavramı kullanılarak özelliklere ağırlık verilmiş, antikorlara mutasyon işlemi sırasında antikorun antijenle olan duyarlılığını temel alan bir mutasyon mekanizması kullanılmış ve duyarlılık eşiği hesabında ve kaynak tahsisi mekanizmasında eğitim verilerinin sınıf değerleri temel alınmıştır. BK-YBTS ile gerçekleştirilen tüm bu değişikliklerin etkinliğini göstermek amacıyla çeşitli veri kümeleri üzerinde BK-YBTS ve YBTS parametrelerinin değişik değerleri ile iki sistem karşılaştırılmıştır. Genel olarak BK-YBTS, YBTS'den daha yüksek sınıflandırma doğruluklarına ulaşmıştır. Özellikle mutasyon ve kaynak tahsisi mekanizmasının değiştirilmesiyle birlikte BK-YBTS, YBTS'den daha kısa sürede çalışmasını tamamlamıştır. Literatürdeki sınıflandırıcılarla karşılaştırıldığında BK-YBTS ile beraber kabul edilebilir sınıflandırma doğruluklarına ulaşılmıştır. Bu çalışmada sunulan yaklaşımların gelecekte farklı uygulamalara ve yeni Yapay Bağışıklık Sistemleri tasarlanmasına katkılar sağlayacağı değerlendirilmektedir.
This thesis detects some deficiencies of Artificial Immune Recognition System (AIRS) which is an artificial immune classifier system. Information Gain Based Artificial Immune Recognition System (IG-AIRS) is developed in order to avoid these deficiencies. Some of the deficiencies of AIRS are the long execution time and the poor classification performance. These deficiencies are caused by the assumption of all the data attributes to have the same weight in the affinity calculation, random value assignment in the mutation mechanism and the exclusion of the class values of training data in the affinity threshold value calculation and resource allocation mechanism. In order to eliminate these drawbacks, IG-AIRS deployed the information gain concept in affinity calculation by assigning weights to data attributes. A mutation mechanism based on affinity is also used during mutation process of antibodies. Furthermore, the affinity threshold criterion and the resource allocation mechanism are based on class values of training data. In order to show the efficiency of these modifications with proposed IG-AIRS, two systems are compared with various parameter values on several datasets. In general, classification accuracies of IG-AIRS are found to be higher than AIRS. Especially, with the modification of mutation and resource allocation mechanisms, the execution time of IG-AIRS was shorter than AIRS. When compared with other classifiers in the literature, IG-AIRS have reached acceptable classification accuracies. The presented approaches in this thesis are envisaged to contribute to new Artificial Immune Systems and diverse applications in the future.
