Yazar "Farooq Farooq, Sanarya Samal" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim
    Öğe
    Sürekli veri setlerinin farklı ayrıklaştırma yöntemleri kullanılarak kural tabanlı sınıflandırma algoritmalarına uyarlanması ve karşılaştırılması
    (Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2019) Farooq Farooq, Sanarya Samal; Selek, Murat
    Veri ayrıklaştırma, veri madenciliğinde kullanılan en popüler veri ön işleme tekniklerinden biridir. Veri ayrıklaştırma işleminde sürekli olan değerler belirli aralıklara göre ayrık değerlere dönüşür. Literatürde birden fazla ayrıklaştırma yöntemi bulunabilir, fakat bu ayrıklaştırma yöntemlerinin içinde en yaygın olanlar Eşit Genişlik (EG), Eşit Frekans (EF) ve Entropi yöntemleridir. Her ayrıklaştırma yönteminin kendine göre avantaj ve dezavantajları bulunmaktadır. Veri ayrıklaştırma işlemi veri kümeleri üzerinde birçok işlemi kolaylaştırır ve hızlandırır. Literatürde araştırmacılar tarafından geliştirilen birçok ayrıklaştırma teknikleri bulunmaktadır. Geliştirilen bu ayrıklaştırma yöntemleri veri madenciliğinde sınıflandırma başarısını artırması, verilerin hızlı ve basit bir şekilde işlenmesi gibi birçok amaç için kullanılmaktadır. Veri madenciliğinde kural tabanlı sınıflandırma algoritmaları ayrık değerli özeliklere sahip olan veri kümelerinde daha iyi performans ve sınıflandırma başarıları göstermektedir. Bu çalışmanın amacı sürekli değerli veri özeliklerine sahip olan veri kümelerinin özellik değerlerini EG, EF ve Entropi Tabanlı ayrıklaştırma yöntemleri ile ayrıklaştırarak, Karar Ağacı ID3, Naive Bayes (NB) ve Karar Tablo (KT) Kural Tabanlı sınıflandırma algoritmalarına uyarlanması ile daha iyi bir sınıflandırma başarısı elde etmektir. Bu çalışmada, UCI veri seti içinden sıkça kullanılan 13 adet sürekli değerli özelliklere sahip olan veri seti alınmaktadır. Bu veri setlerinin özellik değerleri ayrık değerlere dönüştürülerek farklı sınıflandırma algoritmaları üzerine uyarlanmaktadır. Bu sayede sınıflandırma algoritmasına verilen ayrıklaştırılmış verilerin sınıflandırma başarısının artması sağlanacaktır.