/proje detayları
Eye-Tracking Feature'ları İçin Decision Tree Optimization
Eye-tracking feature'ları üzerinde PrInDT tabanlı decision tree optimization method'larını uyguladım ve GLM ile standart conditional inference tree modelleriyle karşılaştırdım.
Bu projede odak noktam black-box prediction değil, decision tree optimization method'larını uygulamaktı. Cognitive task verilerinden çıkarılan eye-tracking feature'ları ile klasik GLM baseline, standart conditional inference tree ve PrInDT tabanlı optimize tree method'larını karşılaştırdım.
Ana hedef, optimized ve resampling-based decision tree framework'lerinin balanced classification performansını artırıp artırmadığını test etmekti. Eye-tracking araştırmalarında sadece prediction değil, yorumlanabilir decision rule'lar da önemli olduğu için bu yaklaşım değerli.
Analizde LOW-IQ ve HIGH-IQ grup label'ları kullanıldı; ancak portfolyo versiyonunda odak raw data yerine methodoloji, feature-based model optimization ve interpretable ML tarafında tutuldu. Research context nedeniyle raw data public değil.
Bu calisma Prof. Claus Weihs ile iliskili PrInDT decision tree optimization framework ailesi uzerine kuruludur. PrInDT, PrInDTAll, PrInDTreg, PrInDTregAll, PrInDTMulev ve ilgili R/Python implementasyonlari dahil olmak uzere PrInDT framework'u ve Prof. Claus Weihs'e tesekkur ederim.
Öne çıkanlar
- GLM, standart ctree, PrInDT, RePrInDT ve OptPrInDT-style optimization workflow'larini karsilastirdim.
- Total trial duration, latency, transition count, fixation duration ve normalized transition feature'lari gibi eye-tracking feature'lari kullandim.
- Balanced accuracy'nin GLM'de ~0.76, ctree'de ~0.78 ve optimize PrInDT tabanli tree modellerinde ~0.86 seviyesine ciktigini gozlemledim.
- Total trial duration, latency ve TN_F5-style transition feature'lari gibi stabil ve yorumlanabilir split variable'lar belirledim.
- Analizi raw-data public benchmark olarak değil, research-oriented interpretable ML workflow'u olarak konumlandırdım.
Figürler
