Sınıflandırma kurallarının çıkarımı için etkin ve hassas yeni bir yaklaşım
Yükleniyor...
Dosyalar
Tarih
2014
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmada çok sınıflı verilerden kural çıkarımı için yeni bir yöntem önerilmiştir. Önerilen metot 4 farklı veri kümesi üzerinde uygulanmıştır. Ayrık ve gerçel nitelikler farklı şekilde kodlanmıştır. Ayrık nitelikler ikili olarak, gerçek nitelikler ise, iki gerçel değer kullanılarak kodlanmıştır. Bu değerler kuralları oluşturan niteliklerin değer aralıklarının orta noktası ve genişlemesidir. Kural çıkarım işlemi için sınıflandırma başarısı uygunluk fonksiyonu olarak kullanılmıştır. Uygunluk fonksiyonunun optimizasyonu amacıyla Yapay Bağışıklık Sistemi (YBS) algoritması olan CLONALG kullanılmıştır. Önerilen yöntemi uygulamak için Süsen çiçeği (Iris), Şarap (Wine), Cam Kimliklendirme (GlassIdentification) ve Deniz Kabuğu (Abalone) veri kümeleri kullanılmıştır. Veriler Irvine California Üniversitesi (UCI) makine öğrenmesi veri tabanından elde edilmiştir. Önerilen metot kullanılarak Süsen çiçeği için %100, Şarap için %99,44, Cam kimliklendirme için %77,10 ve Deniz Kabuğu için %62,59 doğruluk elde edilmiştir. Diğer yöntemlerle kıyaslandığında önerilen yöntem kullanılarak daha başarılı sonuçlar elde edildiği ve hesaplama karmaşıklığı açısından da avantajlı olduğu görülmüştür.
A new method for extracting rules from multi-class datasets was proposed in this study. The proposed method was applied to 4 different data set. Discrete and real attributes were decoded in different ways. Discrete attributes were coded as binary whereas real attributes were coded by using two real values These values indicate the midpoint and the expansion of intervals of the attributes that form the rules. Classification success was used as fitness function of rule extraction. CLONALG which is Artificial Immune Systems (AIS) algorithm was used to optimize the fitness function. To apply the proposed method Iris, Wine, Glass and Abalone datasets were used. The datasets were obtained from machine learning repository of University of California at Irvine (UCI). The proposed method achieved prediction accuracy ratios of 100%, 99,44%, 77,10%, and 62,59% for Iris, Wine, Glass and Abalone datasets, respectively. When it is compared with the previous studies it has been seen that the proposed method achieved more successful results and has advantage in terms of complexity.
A new method for extracting rules from multi-class datasets was proposed in this study. The proposed method was applied to 4 different data set. Discrete and real attributes were decoded in different ways. Discrete attributes were coded as binary whereas real attributes were coded by using two real values These values indicate the midpoint and the expansion of intervals of the attributes that form the rules. Classification success was used as fitness function of rule extraction. CLONALG which is Artificial Immune Systems (AIS) algorithm was used to optimize the fitness function. To apply the proposed method Iris, Wine, Glass and Abalone datasets were used. The datasets were obtained from machine learning repository of University of California at Irvine (UCI). The proposed method achieved prediction accuracy ratios of 100%, 99,44%, 77,10%, and 62,59% for Iris, Wine, Glass and Abalone datasets, respectively. When it is compared with the previous studies it has been seen that the proposed method achieved more successful results and has advantage in terms of complexity.
Açıklama
Anahtar Kelimeler
Kural çıkarımı, Gerçel değer kodlaması, Çok sınıflı problemler, Rules extraction, Real value coding, Multi-class problems
Kaynak
Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
29
Sayı
3
Künye
Köklü, M., Kahramanlı, H., Allahverdi, N. (2014). Sınıflandırma Kurallarının Çıkarımı İçin Etkin ve Hassas Yeni Bir Yaklaşım. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 29(3), 477-486.
