Gri kurt optimizasyon algoritmasının veri madenciliği problemlerine uygulanması
Application of gray wolf optimization algorithm to data mining problems
- Tez No: 683909
- Danışmanlar: DR. ÖĞR. ÜYESİ ONUR İNAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Gelişen teknolojiyle beraber artan veri yoğunluğu, yüksek işleme gücü ve farklı hesaplama olanakları ile birlikte, karmaşık modellemelerin geliştirilmesi ve gelişmiş veri madenciliği uygulamaları kullanılarak temel kriterlere dayalı ileriye dönük daha başarılı tahmin modellemelerinin oluşturulması daha fazla mümkün hale gelmiştir. Veri kümeleri üzerinde uygulanan modelin tahmin başarısı, kuşkusuz hazırlanan modelin başarısına bağlı olarak değişmektedir. Bu yüzden veri madenciliği problemlerinin çözümünde kullanılan algoritma ve algoritmada oluşturulan modelin belirlenmesi uygulamanın başarısı açısından son derece önemlidir. Veri modellerinin karmaşık olması, veriye ait niteliklerin fazlalığı ve veri kümesindeki elemanların fazla olması, doğru analizlerin yapılmasını zorlaştırmaktadır. Bu nedenle özellik seçimi, ayrıklaştırma, kümeleme ve sınıflandırma gibi konular veri madenciliğinde büyük önem arz etmektedir. Gri Kurt Optimizasyonu Algoritması, veri madenciliği problemlerinde kullanılmaya elverişli olması ve yakın zamanda geliştirilen bir optimizasyon algoritması olması nedeniyle veri madenciliği uygulamalarında kümeleme ve sınıflandırma problemlerinin etkin çözümü için kullanılmıştır. Bu çalışmada, gri kurtların toplumsal davranışlarına dayanan gri kurt optimizasyonu (GWO) algoritması ile en iyi küme merkezlerini aramak suretiyle veri nesnelerini bölümlemek ve kümelemenin akabinde yeni bir yaklaşımla sınıflandırmayı sağlamak amacıyla kullanılmıştır. GWO algoritmasının kümeleme performansı, K-means, K-medoids ve Fuzzy C-means algoritmalarının performanslarıyla karşılaştırılmıştır. Deneyler, GWO algoritmasının diğer kümeleme algoritmalarından daha iyi sonuçlar verdiğini ve alternatif olarak kümeleme problemlerinde kullanılabileceğini göstermektedir. Ayrıca seçilen 6 adet veri seti üzerinde GWO ile kümeleme tabanlı sınıflandırma modelini geliştirerek veri madenciliği uygulamalarının performansını arttırmaya yönelik deneysel çalışma yapılmıştır. GWO algoritması tabanlı geliştirdiğimiz yeni bir sınıflandırma modelinden elde edilen sonuçlar ile literatür taramasında elde edilen sonuçlar karşılaştırılmıştır. Sonuç olarak GWO algoritması tabanlı geliştirilen sınıflandırma modelinin daha başarılı sonuçlar verdiği tespit edilmiştir.
Özet (Çeviri)
With the developing technology, increasing data density, high processing power and different computational possibilities, it has become more possible to develop complex models and to create more successful predictive models based on basic criteria by using advanced data mining applications. The estimation success of the model applied on the datasets undoubtedly varies depending on the success of the prepared model. Therefore, the algorithm used in solving data mining problems and the determination of the model created in the algorithm are extremely important for the success of the application. The complexity of data models, the excess of data attributes, and the excess of elements in the data set make it difficult to conduct accurate analysis. For this reason, issues such as feature selection, discretization, clustering and classification are of great importance in data mining. The Gray Wolf Optimization Algorithm was chosen because it is suitable for use in data mining problems and is a recently developed optimization algorithm. In this study, the gray wolf optimization (GWO) algorithm based on the social behavior of gray wolves was used to search for the best cluster centers, to partition data objects and to provide classification with a new approach after clustering. The clustering performance of the GWO algorithm was compared with the performances of the K-means, K-medoids and Fuzzy C-means algorithms. Experiments show that the GWO algorithm gives better results than other clustering algorithms and can be used in clustering problems as an alternative. In addition, an experimental study was conducted to improve the performance of data mining applications by developing the clustering-based classification model with GWO on 6 selected data sets. The results obtained from a new classification model that we developed based on the GWO algorithm were compared with the results obtained in the literature review. As a result, it has been determined that the classification model developed based on the GWO algorithm gives more successful results.
Benzer Tezler
- A new hybrid metaheuristic algorithm applied on a classification problem
Bir sınıflandırma problemine uygulanan yeni bir hibrit metasezgisel algoritma
ARMİR KAÇABETİ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AMIR SEYYEDABBASI
- İkili gri kurt optimizasyon algoritmasının ikili optimizasyon problemlerine uygulanması
Application of binary grey wolf optimization algorithm to binary optimization problems
FEYZA ERDOĞAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞABAN GÜLCÜ
- Gri kurt meta-sezgisel algoritması ve rastgele orman sınıflandırma algoritmalarını birleştirerek koroner kalp hastalığı tanısının doğruluğunun artırılması
Improving the accuracy of diagnosis of coronary heart disease by combining gray wolf meta-heuristic algorithm and random forest classification algorithms
MAYSA KHODAYVERDIAN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Medeniyet ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. NİHAT KABAOĞLU
- Gri kurt optimizasyon algoritması ile çıkarımsal metin özetleme ve özetlerin derin öğrenme ile sınıflandırılması
Extracti̇ve text summari̇zation by gray wolf optimization algorithm and classification of abstracts with deep learning
EBRU DUDAK
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. PAKİZE ERDOĞMUŞ
- Özellik seçim problemi için ikili orka yırtıcı algoritmasının geliştirilmesi
Development of binary orca predation algorithm for feature selection problem
HAMİDE SENA GÜVEN
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiNecmettin Erbakan ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. İLHAN İLHAN