Sınıflandırma kurallarının çıkarımı için etkin ve hassas yeni bir yaklaşım

Basit Öğe Kaydı
dc.contributor.authorKöklü, Murat
dc.contributor.authorKahramanlı, Humar
dc.contributor.authorAllahverdi, Novruz
dc.date.accessioned2020-03-26T18:48:32Z
dc.date.available2020-03-26T18:48:32Z
dc.date.issued2014
dc.departmentSelçuk Üniversitesi, Teknoloji Fakültesi, Bilgisayar Mühendisliği Bölümüen_US
dc.description.abstractBu 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.en_US
dc.description.abstractA 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.en_US
dc.identifier.citationKöklü, 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.
dc.identifier.endpage486en_US
dc.identifier.issn1300-1884en_US
dc.identifier.issn1304-4915en_US
dc.identifier.issue3en_US
dc.identifier.startpage477en_US
dc.identifier.urihttp://www.trdizin.gov.tr/publication/paper/detail/TVRnNE9UYzVPUT09
dc.identifier.urihttps://hdl.handle.net/20.500.12395/30322
dc.identifier.volume29en_US
dc.indekslendigikaynakTR-Dizinen_US
dc.institutionauthorKöklü, Murat
dc.institutionauthorKahramanlı, Humar
dc.institutionauthorAllahverdi, Novruz
dc.language.isotren_US
dc.relation.ispartofGazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisien_US
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.selcuk20240510_oaigen_US
dc.subjectKural çıkarımıen_US
dc.subjectGerçel değer kodlamasıen_US
dc.subjectÇok sınıflı problemler
dc.subjectRules extraction
dc.subjectReal value coding
dc.subjectMulti-class problems
dc.titleSınıflandırma kurallarının çıkarımı için etkin ve hassas yeni bir yaklaşımen_US
dc.title.alternativeA new accurate and efficient approach to extract classifıcation rulesen_US
dc.typeArticleen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Murat KÖKLÜ.pdf
Boyut:
419.21 KB
Biçim:
Adobe Portable Document Format
Açıklama:
Full Text Access
İndir

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu
Bilgisayar Mühendisliği/Makale Koleksiyonu