Application of mean gain ratio (MGR) model for the clustering of electrical generator failures
Elektrik jeneratörü arızalarının kümelenmesi için ortalama kazanç oranı modeli uygulanması
- Tez No: 482497
- Danışmanlar: YRD. DOÇ. DR. TANSEL DÖKEROĞLU, YRD. DOÇ. DR. SHADI AL SHEHABI
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Kategorik veri (bakım), Kaba küme teorisi, Kümeleme, Bilgi Sistemi, Bilgi teorisi, Karar alıcılar, Categorical data (maintenance), Rough set theory, Clustering, Information system, Information theory, Decision markers
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Türk Hava Kurumu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 122
Özet
Kategorik veri kümeleme veri madenciliğinin gittikçe önem kazanan bir parçası haline gelmektedir. Bu çalışmada, dört gerçek yaşam veri tabanının kümelenmesi için VPRS, MTMDP, ITDR ve MGR olmak üzere dört farklı veri kümeleme yöntemi karşılaştırılmıştır. VPRS, MTMDP ve ITDR algoritmaları Kaba Küme Teorisine dayanmakta iken, MGR algoritması Bilgi Teorisi dayanmaktadır. Veri tabanlarından üçü UCI veri tabanlarından kullanılmış, diğer veri tabanı ise elektrik jeneratörleri arızaları için Irak'taki bir mobil şirketten toplanmıştır. Ortaya çıkan kümeler için, veri tabanı sınıfları ve veri tabanlarının işlenmesinde her bir algoritma tarafından kullanılan süre bakımından saflık ve F-ölçümü hesaplanarak yöntemlerin performansını değerlendirmek için üç performans ölçümü kullanılmıştır. Karşılaştırma sonuçları MGR 'nin diğer algoritmalara karşı bir üstünlüğünün olduğunun göstermiştir. Bu nedenle, MGR sonuçlarının karar alıcılar için önerilmesi karar verilmiştir. Aynı zamanda, bakım ekibinin performansını geliştirmek ve elektrik jeneratörü arızalarını azaltmak için yapılacak olan müdahalelerin nasıl tasarlanması gerektiği konusunda da potansiyel olarak katkıda bulunacaktır. Bunun yanında, Kaba küme teorisinde bilgi yitimine dayanan kümelenme eğilimini seçmek için Minimum Bilgi Kazanç Faktörü (MIGR) isimli yeni bir teknik önermekteyiz. Bu tekniğin performansını değerlendirmek için, üç gerçek yaşam numunesinden oluşan veri seti (UCI) MIGR kullanılarak kümelenme için seçilmiştir, oluşan kümeler k-modları, bulanık ağırlık merkezi ve bulanık k-modları gibi bir çok kümeleme yöntemi ile karşılaştırılmış olan Min-Min-Rough(MMR) ve Bilgi-Teori Bağımlılık Pürüzlülüğü-Information Theoretic Dependency Roughness (ITDR) tekniklerinden elde edilen kümeler ile karşılaştırılmıştır. Oluşan kümelerin kalite karşılaştırması için Doğruluk ve F-ölçümü seçilen ölçütler olmuştur. Deneysel sonuçlar MIGR algoritmasının MMR ve ITDR algoritma sonuçlarından daha üstün olduğunu göstermektedir; bu nedenle kategorik verinin kümelenmesi için kullanılabilmektedir.
Özet (Çeviri)
Categorical data clustering is getting more and more important part of data mining. In this study, we compared four data clustering methods which are VPRS, MTMDP, ITDR and MGR to cluster four real life databases. The VPRS, MTMDP and ITDR algorithms are based on the Rough Set Theory while the MGR algorithm is based on the Information Theory. Three of the databases used from UCI databases while the other database is collected for electrical generators failure from a mobile company in Iraq. Three performance measures are used to evaluate the performance of each method by calculating the purity and F-measure for the resulting clusters with respect to the database classes and the time consumed by each algorithm to process the databases. The comparison results show that the MGR has the superiority over the other algorithms. Thus, the MGR results are chosen to be proposed to the decision makers and it may potentially contribute to give a recommendation how to design intervention in order to improve the efficiency of the maintenance team performance and moreover to reduce electrical generators failure. In addition, we propose a new technique called Minimum Information Gain Roughness (MIGR) to select the clustering attribute based on information entropy in rough set theory. To evaluate the performance of this technique, three real life sample data sets (UCI) are chosen to be clustered using MIGR, the resulting clusters are compared to the clusters resulted from the Min-Min-Rough (MMR) and Information-Theoretic Dependency Roughness (ITDR) techniques which are compared with many other clustering techniques, such as k-modes, fuzzy centroids and fuzzy k-modes. Accuracy and F-measure are the measures chosen to compare the quality of the resulting clusters. The experimental results show that the MIGR algorithm outperforms the MMR and ITDR algorithms; therefore, it can be used for clustering categorical data.
Benzer Tezler
- Isı kayıplarının azaltılmasını hedefleyen bina kabuğunun bina formuna bağlı olarak belirlenmesi
Determination of the building envelope which provides minimum heat loss depending on the building from
AYÇA KUTLU
Yüksek Lisans
Türkçe
1999
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. GÜL KOÇLAR ORAL
- Öngerilmeli betonarme köprülerde zamana bağlı yerdeğiştirmeler
Long-term deflections in pre-stressed structures
EREN YECAN
Yüksek Lisans
Türkçe
2016
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULLAH NECMETTİN GÜNDÜZ
PROF. DR. SIDDIK ŞENER
- Morphotectonic analysis of the East Anatolian fault zone (E. Turkey) using remote sensing techniques
Uzaktan algılama teknikleri kullanarak Doğu Anadolu fay zonunun (Türkiye'nin doğusu) morfotektonik analizi
ABDELRAHMAN KHALIFA
Doktora
İngilizce
2018
Jeoloji Mühendisliğiİstanbul Teknik ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. ZİYADİN ÇAKIR
PROF. DR. ŞİNASİ KAYA
- Revizyon kalça artroplastisi uygulanan hastaların orta dönem takip sonuçları
Medium term follow-up results of revision hip arthroplasty patients
BÜLENT ÖZGÜR YAZICI
Tıpta Uzmanlık
Türkçe
2010
Ortopedi ve TravmatolojiOndokuz Mayıs ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF. DR. TURGUT NEDİM KARAİSMAİLOĞLU