Dikbaş Ü., Ebegil M.
Savunma Bilimleri Dergisi, cilt.21, sa.2, ss.291-308, 2025 (TRDizin)
-
Yayın Türü:
Makale / Tam Makale
-
Cilt numarası:
21
Sayı:
2
-
Basım Tarihi:
2025
-
Doi Numarası:
10.17134/khosbd.1772308
-
Dergi Adı:
Savunma Bilimleri Dergisi
-
Derginin Tarandığı İndeksler:
TR DİZİN (ULAKBİM)
-
Sayfa Sayıları:
ss.291-308
-
Gazi Üniversitesi Adresli:
Evet
Özet
Bu çalışmada, anomali tespiti problemine yönelik Lojistik Regresyon, k-En Yakın Komşu, Karar Ağacı, Rastgele Orman ve XGBoost olmak üzere beş farklı denetimli makine öğrenmesi algoritmasının performansları karşılaştırmalı olarak analiz edilmiştir. Hem gerçek dünya verisi hem de yapay olarak oluşturulan simülasyon verisi kullanılarak modellerin F1 skoru, ROC-AUC değeri, eğitim ve test süreleri gibi ölçütler üzerinden değerlendirmeleri yapılmıştır. Gerçek veri üzerinde yapılan analizde sınıf dengesizliği göz önünde bulundurulmasına rağmen bazı modellerin yüksek başarı sağladığı görülmüştür. Simülasyon verileri ise modellerin anomali yapısını öğrenmedeki başarısını daha nesnel şekilde test etme imkânı sunmuştur. Bulgular, özellikle k-En Yakın Komşu, Karar Ağacı ve Rastgele Orman modellerinin yüksek doğrulukla anomalileri tespit ettiğini göstermektedir. XGBoost modelinin ise bazı durumlarda düşük anomali oranını yeterince ayırt edemediği gözlemlenmiştir. Bu kapsamda, parametre optimizasyonunun model başarısında kritik rol oynadığı vurgulanmıştır. Çalışmanın sonuçları, yüksek güvenlik gerektiren savunma, havacılık ve uzay gibi sektörlerde uygulanabilecek anomali tespit sistemlerine yönelik yol gösterici niteliktedir.