Sürekli veri setlerinin farklı ayrıklaştırma yöntemleri kullanılarak kural tabanlı sınıflandırma algoritmalarına uyarlanması ve karşılaştırılması
Adaptation and comparison of continuous data sets to rule-based classification algorithms by using different discretization methods
- Tez No: 540016
- Danışmanlar: DR. ÖĞR. ÜYESİ MURAT SELEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
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.
Özet (Çeviri)
Data discretization is one of the most popular data preprocessing techniques used in data mining. Values that are continuous in the data discretization process become discrete values over certain intervals. In literature, more than one discretization method can be found but the most common methods are equal width, equal frequency, and entropy. Each discretization method has its own advantages and disadvantages. Data discretization process makes easier and faster many operations on data sets. In literature there are many discretization techniques that developed by researchers. These discretization methods are used for many purposes such as increasing the classification success in the data mining, processing the data quickly and simply. Rule-based classification algorithms in data mining show better performance and classification success in data sets with discrete properties. The aim of this thesis is to obtain a better classification performance by adapting the property values of data sets with continuous valuable data properties by equal width, equal frequency and entropy based discretization methods and adaptation to decision tree ID3, Naive Bayes and decision table rule based classification algorithms. The importance of this thesis is to increase the classification performance on rule-based classification algorithms of continuous data sets. In this thesis, a data set which has 10 continuously valuable properties which are frequently used from UCI data sets will be taken. The property values of these data sets are transformed into discrete values and are adapted to rule-based classification algorithms. Thus the classification success of the discrete data which given to the classification algorithm will be increased.
Benzer Tezler
- Tanı ve tedavide birliktelik kuralı madenciliğinin bayesian ağı ile kombine kullanımı ve kural çıkarımını etkileyen faktörlerin belirlenmesi
Integrating association rule mining with bayesian networks in diagnosis and treatment: Identification of factors influencing rule extraction
DAMLA HAZAL SUCU
Doktora
Türkçe
2025
BiyoistatistikMersin ÜniversitesiBiyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
PROF. DR. BAHAR TAŞDELEN
- A network alignment approach for integrating multiple single-cell RNA-sequencing datasets
Tek hücre RNA dizileme veri setlerinin entegrasyonu için ağ hizalama tabanlı bir yöntem geliştirilmesi
YACINE MAROUF
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Ana Bilim Dalı
DOÇ. DR. HİLAL KAZAN
PROF. DR. CESİM ERTEN
- The effect of using different feature sets and flight data envelopes on the fidelity of deep learning based system identification of a fighter aircraft
Farklı feature setleri ve uçuş veri zarflarının kullanımının bir savaş uçağının derin öğrenme tabanlı sistem tanımlamasının doğruluğu üzerindeki etkisi
MEHMET CAN ŞEN
Yüksek Lisans
İngilizce
2024
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ BAŞPINAR
- Akıllı hareketlilik ve engelsiz erişimde yön bulma teknolojileri: Bir veri modeli önerisi
Wayfinding in smart mobility and barrier-free access: A data model proposal
ÇİĞDEM AKDEMİR
Yüksek Lisans
Türkçe
2022
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiKentsel Tasarım Ana Bilim Dalı
PROF. DR. HATİCE AYATAÇ
- Analysis and applications of data mining algorithms
Veri madenciliği algoritmalarının analizi ve uygulanması
NESLİHAN DOĞAN
Yüksek Lisans
İngilizce
2010
İşletmeBoğaziçi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. ZUHAL TANRIKULU