Tip-1 Bulanık Fonksiyonlar ve Özellik Seçimi Yöntemleri ile Regresyon Analizi

Şahin M. E., Tak N.

Karadeniz Fen Bilimleri Dergisi, cilt.16, sa.3, ss.1135-1155, 2026 (TRDizin)

  • Yayın Türü: Makale / Tam Makale
  • Cilt numarası: 16 Sayı: 3
  • Basım Tarihi: 2026
  • Doi Numarası: 10.31466/kfbd.1808266
  • Dergi Adı: Karadeniz Fen Bilimleri Dergisi
  • Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
  • Sayfa Sayıları: ss.1135-1155
  • Marmara Üniversitesi Adresli: Evet

Özet

Gerçek dünya regresyon problemleri çoğu zaman gürültü, gereksiz değişkenler, çoklu doğrusal bağlantı ve doğrusal olmayan ilişkiler içerdiğinden, klasik modellerin performansı sınırlanabilmektedir. Bu çalışmada, Tip-1 Bulanık Fonksiyonların (T1FF) çeşitli özellik seçimi stratejileriyle birlikte kullanımı incelenmiş, özellikle de literatürde doğrudan ele alınmamış olan Lasso regresyonunun T1FF çerçevesine entegrasyonuna odaklanılmıştır. Fuzzy C-Means tabanlı üyelik derecelerinin modele dahil edilmesi sayesinde T1FF, uzman tanımlı bulanık kurallara ihtiyaç duymadan belirsizliği ve doğrusal olmayan yapıları esnek bir biçimde modelleyebilmektedir. Önerilen yapı; Boston, Auto, College, Steel Fatigue Strength, Fish Price ve Smart Pressure Control olmak üzere altı veri seti üzerinde RMSE ve MAPE ölçütleri kullanılarak değerlendirilmiştir. Bulgular, T1FF tabanlı modellerin çoğu veri setinde klasik LM, Ridge ve Lasso modellerinden daha iyi performans gösterdiğini, ancak en iyi T1FF varyantının veri setine göre değiştiğini ortaya koymuştur. Özellikle Lasso tabanlı T1FF modeli genel olarak rekabetçi sonuçlar üretmiş ve College ile Fish Price veri setlerinde dikkat çekici bir performans sergilemiştir; buna karşılık Full ve Forward T1FF yöntemleri veri setleri genelinde MAPE açısından daha tutarlı sıralama sonuçları vermiştir. Genel olarak elde edilen sonuçlar, özellik seçimi ve düzenlileştirme yöntemlerinin T1FF çerçevesine entegre edilmesinin karmaşık gerçek dünya verilerinde regresyon modellemesi için esnek ve umut vadeden bir yaklaşım sunduğunu göstermektedir.
Real-world regression problems often involve noise, redundancy, multicollinearity, and nonlinear relationships that limit the effectiveness of classical models. This study investigates Type-1 Fuzzy Functions (T1FF) combined with several feature selection strategies, with particular emphasis on the integration of Lasso regression into the T1FF framework, which has not been directly examined in prior research. By incorporating Fuzzy C-Means-based membership degrees into the modelling process, T1FF provides a flexible way to capture uncertainty and nonlinear structure without relying on expert-defined fuzzy rules. The proposed framework was evaluated on six datasets, namely Boston, Auto, College, Steel Fatigue Strength, Fish Price, and Smart Pressure Control, using RMSE and MAPE as performance criteria. The results show that T1FF-based models generally outperform classical LM, Ridge, and Lasso models on most datasets, although the best-performing T1FF variant varied depending on dataset characteristics. In particular, the Lasso-based T1FF model yielded competitive results overall and achieved especially strong performance on the College and Fish Price datasets, while Full and Forward T1FF methods showed the most consistent MAPE-based ranking across datasets. Overall, the findings indicate that integrating feature selection and regularization methods into the T1FF framework provides a promising and flexible approach for regression modelling on complex real-world data.