YARI AÇIKLANABİLİR AĞAÇ TABANLI SINIFLANDIRMA MODELLERİ İÇİN AKILLI KURAL ÇIKARIM DESTEĞİ SUNAN YENİ BİR YAKLAŞIM: METASEZGİSELCART

Sinan Taşlı; Güngör Yıldırım

TR EN

YARI AÇIKLANABİLİR AĞAÇ TABANLI SINIFLANDIRMA MODELLERİ İÇİN AKILLI KURAL ÇIKARIM DESTEĞİ SUNAN YENİ BİR YAKLAŞIM: METASEZGİSELCART

Öz

Yapay zeka yüksek başarım oranlarına erişmesiyle birlikte günümüzde birçok alanda kullanılmaktadır. Askeri, sağlık, tıp ve ulaşım gibi kritik alanlarda kullanımı bazı durumlarda insanlar arasında güvensizliğe yol açabilmektedir. İnsanların yapay zekaya olan güvenini artırmak için açıklanabilir yapay zeka yöntemleri geliştirilmektedir. Bu yöntemler, yapay zeka modellerinin karmaşık iç yapılarını insanlara açıklamaktadır. Bu alanda kullanılan çeşitli teknikler arasında kural tabanlı yaklaşımlar kullanıcılar için en yorumlanabilir olanlarıdır. Kural tabanlı yapılan yaklaşımlar, modellerin karar verme mekanizmalarını kullanıcılara açıklarken “if-then” yapıları kullanır. “İf-then” yapıları, kullanıcıların model hakkında fazladan bir bilgiye ihtiyaç duymadan yapılan açıklamaları anlamalarını sağlar. Bu çalışmada, metasezgisel yaklaşım olan Ayçiçeği Optimizasyon (AO) algoritması ile ağaç tabanlı yaklaşım olan Sınıflandırma ve Regresyon Ağacı (SRA) algoritmasından üretilen kuralları belirli bir mantıkla birleştiren yeni bir hibrit yaklaşım önerilmektedir. Önerilen hibrit yöntem, kuralların doğruluğunu artırmak için özelliklerin gerçek değer aralıklarından yararlanmayı amaçlamaktadır. Önerilen hibrit yaklaşım birden fazla veri seti üzerinde test edilmiş ve kuralların duğruluk değerini artırdığı görülmüştür.

Anahtar Kelimeler

A NEW APPROACH OFFERING INTELLIGENT RULE INFERENCE SUPPORT FOR SEMI-EXPLAINABLE TREE-BASED CLASSIFICATION MODELS: METAHEURISTICCART

Öz

Due to their high predictive performance, artificial intelligence is now used in many fields. Its use in critical areas such as military, healthcare, medicine, and transportation can, in some cases, cause distrust among people. Explainable artificial intelligence methods are being developed to increase people's trust in artificial intelligence. These methods explain the complex internal structures of artificial intelligence models to people. Among the various techniques used in this field, rule-based approaches are among the most interpretable for users. Rule-based approaches use “if-then” structures to explain the decision-making mechanisms of models to users. “If-then” structures enable users to understand explanations without the requirement of additional information about the model. In this study, a new hybrid approach is proposed that combines rules generated by the Sunflower Optimization Algorithm (SFO), a metaheuristic approach, and the Classification and Regression Trees (CART) algorithm, a tree-based approach, using a specific logic. The proposed hybrid method aims to increase the accuracy of the rules by utilizing the actual value ranges of the features. The proposed hybrid approach was evaluated on multiple datasets, and it was observed that it improved the accuracy of the generated rules.

Anahtar Kelimeler

Kaynakça

Aamir, S., Rahim, A., Aamir, Z., Abbasi, S. F., Khan, M. S., Alhaisoni, M., ... & Ahmad, J. (2022). Predicting breast cancer leveraging supervised machine learning techniques. Computational and Mathematical Methods in Medicine, 2022(1), 5869529. https://doi.org/10.1155/2022/5869529
Agarap, A. F. M. (2018, February). On breast cancer detection: an application of machine learning algorithms on the wisconsin diagnostic dataset. In Proceedings of the 2nd international conference on machine learning and soft computing (pp. 5-9). https://doi.org/10.1145/3184066.3184080
AKALIN, B., & Veranyurt, Ü. (2021). Sağlık hizmetleri ve yönetiminde yapay zekâ. Acta Infologica, 5(1), 231-240. https://izlik.org/JA82DZ69CK
Alabed, T., & Servi, S. (2025). Multilayer analysis of nicotine-induced gene expression alterations in breast cancer cells using clustering and supervised learning methods. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(3), 1558-1573. https://doi.org/10.17780/ksujes.1730962
Babaoğlu, M., & Haznedar, B. (2023). Sürü Zekâsi Tabanli Algori̇tmalar İle Türki̇ye’Ni̇n Uzun Vadeli̇ Enerji̇ Tüketi̇m Tahmi̇ni̇. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 26(2), 424-441. https://doi.org/10.17780/ksujes.1200583
Barut, C., Yildirim, G., & Tatar, Y. (2024). An intelligent and interpretable rule-based metaheuristic approach to task scheduling in cloud systems. Knowledge-Based Systems, 284, 111241. https://doi.org/10.1016/j.knosys.2023.111241
Berk, R. A. (2008). Classification and regression trees (CART). Statistical learning from a regression perspective, 1-65. https://doi.org/10.1007/978-0-387-77501-2_3
Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. Ieee Access, 8, 75264-75278. https://doi.org/10.1109/ACCESS.2020.2988510

Faro, A., Tejada, J., & Al-Delaimy, W. (2025). Severity Classification of Anxiety and Depression Using Generalized Anxiety Disorder Scale and Patient Health Questionnaire: National Cross-Sectional Study Applying Classification and Regression Tree Models. JMIR Public Health and Surveillance, 11, e72591. https://doi.org/10.2196/72591
Fetzer, J. H., & Fetzer, J. H. (1990). What is Artificial Intelligence? (pp. 3-27). Springer Netherlands. https://doi.org/10.1007/978-94-009-1900-6_1
Fossaceca, J. M., & Young, S. H. (2018, May). Artificial intelligence and machine learning for future army applications. In Ground/Air Multisensor Interoperability, Integration, and Networking for Persistent ISR IX (Vol. 10635, pp. 8-25). SPIE. https://doi.org/10.1117/12.2307753
Gomes, G. F., da Cunha, S. S., & Ancelotti, A. C. (2019). A sunflower optimization (SFO) algorithm applied to damage identification on laminated composite plates. Engineering with Computers, 35, 619-626. https://doi.org/10.1007/s00366-018-0620-8
Işıker, H., & Abacı, K. (2025). Doğadan Esinlenen Yeni Bir Hipopotam Optimizasyon Algoritması İle Optimal Yük Akışı. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(4), 2000-2013. https://doi.org/10.17780/ksujes.1770702
Kaggle. Breast Cancer Wisconsin (Diagnostic) Data Set. https://www.kaggle.com/datasets/uciml/breast-cancer-wisconsin-data Erişim 07.01.2026.
Kaggle. Liver Disorders. https://www.kaggle.com/datasets/abdelazizsami/liver-disorders Erişim 05.03.2026.
Karatza, P., Dalakleidi, K., Athanasiou, M., & Nikita, K. S. (2021, November). Interpretability methods of machine learning algorithms with applications in breast cancer diagnosis. In 2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC) (pp. 2310-2313). IEEE. https://doi.org/10.1109/EMBC46164.2021.9630556
Keneni, B. M., Kaur, D., Al Bataineh, A., Devabhaktuni, V. K., Javaid, A. Y., Zaientz, J. D., & Marinier, R. P. (2019). Evolving rule-based explainable artificial intelligence for unmanned aerial vehicles. IEEE Access, 7, 17001-17016. https://doi.org/10.1109/ACCESS.2019.2893141
Krishnan, S. N., Yuvaraj, D., Banerjee, K., Josephson, P. J., Kumar, T. C. A., & Ayoobkhan, M. U. A. (2022). Medical image enhancement in health care applications using modified sun flower optimization. Optik, 271, 170051. https://doi.org/10.1016/j.ijleo.2022.170051
Lewis, R. J. (2000, May). An introduction to classification and regression tree (CART) analysis. In Annual meeting of the society for academic emergency medicine in San Francisco, California (Vol. 14). San Francisco, CA, USA: Department of Emergency Medicine Harbor-UCLA Medical Center Torrance.
Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30. https://doi.org/10.48550/arXiv.1705.07874
Mahmud, M., Budiman, I., Indriani, F., Kartini, D., Faisal, M. R., Rozaq, H. A. A., ... & Caesarendra, W. (2024). Implementation of C5. 0 Algorithm using Chi-Square Feature Selection for Early Detection of Hepatitis C Disease. Journal of Electronics, Electromedical Engineering, and Medical Informatics, 6(2), 116-124. https://doi.org/10.35882/jeeemi.v6i2.384
Murray, C., Parker, E., & Mitchell, E. (2025). Application of Machine Learning and Data Mining Techniques in Diagnosing Diabetes. Advances in Engineering and Intelligence Systems, 4(04), 96-109. https://doi.org/10.22034/aeis.2025.556011.1371
Ozcan, M., & Peker, S. (2023). A classification and regression tree algorithm for heart disease modeling and prediction. Healthcare Analytics, 3, 100130. https://doi.org/10.1016/J.HEALTH.2022.100130
Ras, G., Xie, N., Van Gerven, M., & Doran, D. (2022). Explainable deep learning: A field guide for the uninitiated. Journal of Artificial Intelligence Research, 73, 329-396. https://doi.org/10.1613/JAIR.1.13200
Ribeiro, M. T., Singh, S., & Guestrin, C. (2016, August). " Why should i trust you?" Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 1135-1144). https://doi.org/10.1145/2939672.2939778
Sannino, G., De Falco, I., & De Pietro, G. (2014). An automatic rules extraction approach to support OSA events detection in an mHealth system. IEEE journal of biomedical and health informatics, 18(5), 1518-1524. https://doi.org/10.1109/JBHI.2014.2311325
Shams, Z., Dimanov, B., Kola, S., Simidjievski, N., Terre, H. A., Scherer, P., ... & Jamnik, M. (2021). REM: an integrative rule extraction methodology for explainable data analysis in healthcare. medRxiv, 2021-01. https://doi.org/10.1101/2021.01.25.21250459
Timofeev, R. (2004). Classification and regression trees (CART) theory and applications. Humboldt University, Berlin, 54, 48.
Van der Waa, J., Nieuwburg, E., Cremers, A., & Neerincx, M. (2021). Evaluating XAI: A comparison of rule-based and example-based explanations. Artificial intelligence, 291, 103404. https://doi.org/10.1016/J.ARTINT.2020.103404
Wang, S., & Zhang, Y. (2023). Grad-CAM: understanding AI models. Comput. Mater. Contin, 76, 1321-1324. https://doi.org/10.32604/cmc.2023.041419
Yıldırım, S., Yıldırım, G., & Alatas, B. (2021). Anlaşılabilir Sınıflandırma Kurallarının Ayçiçeği Optimizasyon Algoritması ile Otomatik Keşfi. Türk Doğa ve Fen Dergisi, 10(2), 233-241. https://doi.org/10.46810/TDFD.976397

Ayrıntılar

Birincil Dil

Türkçe

Konular

Yapay Zeka (Diğer)

Bölüm

Araştırma Makalesi

Yazarlar

Sinan Taşlı ^*
0000-0002-3760-7872
Türkiye

Güngör Yıldırım
0000-0002-4096-4838
Türkiye

Yayımlanma Tarihi

3 Haziran 2026

Gönderilme Tarihi

5 Şubat 2026

Kabul Tarihi

4 Mayıs 2026

Yayımlandığı Sayı

Yıl 2026 Cilt: 29 Sayı: 2

IZ

https://izlik.org/JA66HF38UN

Kaynak Göster

RIS / Bibtex

APA

Taşlı, S., & Yıldırım, G. (2026). YARI AÇIKLANABİLİR AĞAÇ TABANLI SINIFLANDIRMA MODELLERİ İÇİN AKILLI KURAL ÇIKARIM DESTEĞİ SUNAN YENİ BİR YAKLAŞIM: METASEZGİSELCART. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 29(2), 848-861. https://izlik.org/JA66HF38UN

AMA

1.Taşlı S, Yıldırım G. YARI AÇIKLANABİLİR AĞAÇ TABANLI SINIFLANDIRMA MODELLERİ İÇİN AKILLI KURAL ÇIKARIM DESTEĞİ SUNAN YENİ BİR YAKLAŞIM: METASEZGİSELCART. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi. 2026;29(2):848-861. https://izlik.org/JA66HF38UN

Chicago

Taşlı, Sinan, ve Güngör Yıldırım. 2026. “YARI AÇIKLANABİLİR AĞAÇ TABANLI SINIFLANDIRMA MODELLERİ İÇİN AKILLI KURAL ÇIKARIM DESTEĞİ SUNAN YENİ BİR YAKLAŞIM: METASEZGİSELCART”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29 (2): 848-61. https://izlik.org/JA66HF38UN.

EndNote

Taşlı S, Yıldırım G (01 Haziran 2026) YARI AÇIKLANABİLİR AĞAÇ TABANLI SINIFLANDIRMA MODELLERİ İÇİN AKILLI KURAL ÇIKARIM DESTEĞİ SUNAN YENİ BİR YAKLAŞIM: METASEZGİSELCART. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29 2 848–861.

IEEE

[1]S. Taşlı ve G. Yıldırım, “YARI AÇIKLANABİLİR AĞAÇ TABANLI SINIFLANDIRMA MODELLERİ İÇİN AKILLI KURAL ÇIKARIM DESTEĞİ SUNAN YENİ BİR YAKLAŞIM: METASEZGİSELCART”, Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, c. 29, sy 2, ss. 848–861, Haz. 2026, [çevrimiçi]. Erişim adresi: https://izlik.org/JA66HF38UN

ISNAD

Taşlı, Sinan - Yıldırım, Güngör. “YARI AÇIKLANABİLİR AĞAÇ TABANLI SINIFLANDIRMA MODELLERİ İÇİN AKILLI KURAL ÇIKARIM DESTEĞİ SUNAN YENİ BİR YAKLAŞIM: METASEZGİSELCART”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29/2 (01 Haziran 2026): 848-861. https://izlik.org/JA66HF38UN.

JAMA

1.Taşlı S, Yıldırım G. YARI AÇIKLANABİLİR AĞAÇ TABANLI SINIFLANDIRMA MODELLERİ İÇİN AKILLI KURAL ÇIKARIM DESTEĞİ SUNAN YENİ BİR YAKLAŞIM: METASEZGİSELCART. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi. 2026;29:848–861.

MLA

Taşlı, Sinan, ve Güngör Yıldırım. “YARI AÇIKLANABİLİR AĞAÇ TABANLI SINIFLANDIRMA MODELLERİ İÇİN AKILLI KURAL ÇIKARIM DESTEĞİ SUNAN YENİ BİR YAKLAŞIM: METASEZGİSELCART”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, c. 29, sy 2, Haziran 2026, ss. 848-61, https://izlik.org/JA66HF38UN.

Vancouver

1.Sinan Taşlı, Güngör Yıldırım. YARI AÇIKLANABİLİR AĞAÇ TABANLI SINIFLANDIRMA MODELLERİ İÇİN AKILLI KURAL ÇIKARIM DESTEĞİ SUNAN YENİ BİR YAKLAŞIM: METASEZGİSELCART. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi [Internet]. 01 Haziran 2026;29(2):848-61. Erişim adresi: https://izlik.org/JA66HF38UN