Phıshıng tespitinde özellik seçimi, hiperparametre optimizasyonu ve ensemble öğrenmenin eş zamanlı uygulanması: Karşılaştırmalı bir performans analizi

Günümüzde phishing saldırıları, siber güvenliği tehdit eden en yaygın yöntemlerden biri olup makine öğrenmesi tabanlı tespit yaklaşımlarında başarı; kullanılan özelliklerin niteliği, model parametreleri ve sınıflandırıcı yapısıyla doğrudan ilişkilidir. Bu tez çalışmasında, phishing web sitelerinin tespitinde Özellik Seçimi (FS), Hiperparametre Optimizasyonu (HPO) ve ensemble öğrenme (topluluk öğrenmesi) bileşenlerini bütünleşik bir deneysel çerçevede ele alan çok aşamalı bir değerlendirme metodolojisi önerilmiştir. Çalışmada Vrbancic Phishing, UCI Phishing Websites, Hannousse Phishing ve Balanced Mendeley Phishing veri setleri kullanılmıştır. Özellik seçimi aşamasında ANOVA, Mutual Information ve Recursive Feature Elimination; hiperparametre optimizasyonunda Optuna, Hyperopt ve Scikit-Optimize; ensemble öğrenmede ise Voting, Confidence-Based ve Stacking yapıları karşılaştırılmıştır. Temel sınıflandırıcılar olarak Random Forest ve Support Vector Machine modelleri değerlendirilmiş; performans ölçümünde Doğruluk, Precision, Recall, F1-skoru ve ROC-AUC metrikleri birlikte kullanılmıştır. Deneysel sonuçlar, bütünleşik yapının UCI ve Hannousse veri setlerinde sırasıyla F1=0,9773 ve F1=0,9677 ile en yüksek performansı verdiğini göstermiştir. Buna karşın Vrbancic veri setinde başlangıç düzeyi modellerden olan Random Forest modelinin, Balanced Mendeley veri setinde ise yalnızca HPO uygulanan yapının daha başarılı olması, karmaşık modelleme yaklaşımlarının her veri setinde otomatik üstünlük sağlamadığını ortaya koymuştur. Bulgular, phishing tespitinde performansın veri seti yapısı ile yöntem bileşenlerinin uyumuna bağlı olarak değiştiğini göstermektedir. Sonuç olarak tez, gerçek zamanlı phishing tespit sistemleri ve kurumsal güvenlik çözümleri için yol gösterici bir karşılaştırma ve modelleme çerçevesi sunmaktadır.

Today, phishing attacks are among the most common methods threatening cybersecurity, and the success of machine learning-based detection approaches is directly related to the quality of the features used, model parameters, and classifier architecture. In this thesis, a multi-stage evaluation methodology is proposed that addresses Feature Selection (FS), Hyperparameter Optimization (HPO), and Ensemble Learning components within an integrated experimental framework for the detection of phishing websites. The study utilized the Vrbancic Phishing, UCI Phishing Websites, Hannousse Phishing, and Balanced Mendeley Phishing datasets. In the feature selection stage, ANOVA, Mutual Information, and Recursive Feature Elimination were employed; for hyperparameter optimization, Optuna, Hyperopt, and Scikit- Optimize were used; and for ensemble learning, Voting, Confidence-Based, and Stacking structures were compared. Random Forest and Support Vector Machine models were evaluated as base classifiers, and Accuracy, Precision, Recall, F1-score, and ROC-AUC metrics were jointly used for performance assessment. The experimental results demonstrated that the integrated framework achieved the highest performance on the UCI and Hannousse datasets, with F1-scores of 0,9773 and 0,9677, respectively. In contrast, among the baseline models, the Random Forest model performed better on the Vrbancic dataset, while on the Balanced Mendeley dataset, the structure employing only HPO achieved superior performance. These findings reveal that complex modeling approaches do not automatically provide superior performance across all datasets. The results indicate that performance in phishing detection varies depending on the compatibility between dataset characteristics and methodological components. Consequently, this thesis presents a guiding comparative and modeling framework for real-time phishing detection systems and institutional security solutions.