Makine öğrenmesi ile SCO kasa sistemlerinin temassız alışverişlerinde çalıntı tahmini
Stolen prediction in contactless shopping of SCO registry systems with machine learning
- Tez No: 699383
- Danışmanlar: DR. ÖĞR. ÜYESİ ATINÇ YILMAZ
- 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: Beykent Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 113
Özet
Günümüzde çok farklı alanlarda tahmin, sınıflandırma ve kümeleme gibi incelemelerin yapılması için makine öğrenmesi algoritmalarına başvurulmaktadır. Makine öğrenmesi algoritmaları birçok alanda fayda sağladığı gibi yüksek performans sergilemesinden ötürü de tercih edilmektedir. Bu çalışma kapsamında perakende sektöründe Kendi Kendine Ödeme (SCO) kasa sistemlerindeki temassız alışverişlerde çalıntı tespitinin sınıflandırma ve tahmini için yararlanılmıştır. Perakende sektöründe bazı firmalarda hem kasiyerli olarak gerçekleşen hem de kasiyersiz olarak alışverişin tamamlanabileceği SCO kasa sistemleri bulunmaktadır. SCO kasa sistemlerinde müşteri, ödemesini ve alışveriş adımlarını kendi başına tamamlayabilmektedir. Bu çalışmada, SCO kasa sistemlerinde gerçekleşen temassız alışveriş deneyimlerindeki satış ve iptal verileri kullanılmıştır. İptal verileri çalıntıya sebebiyet verdiğinden makine öğrenmesi algoritmaları kullanılarak verilerin iptal ya da satış olup olmadığı tespit edilerek sınıflandırılmıştır. Sınıflandırmada, literatür araştırmasında da çok sık karşılaşılan Lojistik Regresyon, Karar ağacı (C4.5), K – En Yakın Komşu (KNN), Gradyan Arttırılmış Ağaçlar (GBT) ve Rastgele Orman (RF) algoritmaları uygulanarak sonuçları karşılaştırılmıştır. Karşılaştırmalar modellerin doğruluk, f1-skor (f1-score), kesinlik (precision), geri çağırma (recall) ve Eğrinin Altında Kalan Alan (AUC) değerleri üzerinden sağlanmıştır. Ayrıca iptal edilen fişlere Apriori algoritması ile sepet analizi çalışılmış ve birlikte alınan ürünlerin değerlendirmeleri yapılmıştır. Çalışma sonucunda algoritmalar karşılaştırıldığında en iyi performansı %96.49 doğruluk oranı ve 0.98'lik ile AUC değeri ile Karar Ağacı algoritması vermektedir. Burada, bölünme kriteri olarak Gini indeksi, maximum derinlik 40 ve maximum özellik sayısı 8 olarak belirlenen en iyi hiper parametre değerleri esas alınmıştır. En düşük performans ise %65.62 doğruluk oranı ve 0.72 AUC değeri ile Lojistik Regresyon modeline aittir. Çalışma neticesinde en iyi performansı sergileyen Karar Ağacı modeli ile sınıflandırma yapılmasının uygun olduğu görülmektedir. Aynı zamanda iptal edilen fişlerdeki ürün birliktelikleri dikkate alınarak ürün kaybını ve çalıntıyı önleyen tedbirlerin alınması sağlanabilecektir.
Özet (Çeviri)
Nowadays, machine learning algorithms are used to make examinations such as prediction, classification and clustering in many different areas. Machine learning algorithms provide benefits in many areas and are preferred because of their high performance. Within the scope of this study, it is used for the classification and estimation of stolen detection in contactless purchases in Self Checkout (SCO) cash registers in the retail sector. In some companies in the retail sector, there are SCO cash registers that can be used with or without a cashier. In SCO cash register systems, the customer can complete the payment and shopping steps on his own. In this study, sales and cancellation data from contactless shopping experiences in SCO cash registers are used. Since the cancellation data caused theft, it was classified by detecting whether the data was canceled or sold using machine learning algorithms. In classification, Logistic Regression, Decision tree (C4.5), K - Nearest Neighbor (KNN), Gradient Augmented Trees (GBT) and Random Forest (RF) algorithms, which are very common in literature research, were applied and the results were compared. Comparisons were made on models' accuracy, f1-score (f1-score), precision, recall and Area Under The Curve (AUC) values. In addition, basket analysis was performed on the canceled receipts with the Apriori algorithm, and the products purchased together were evaluated. As a result of the study, when the algorithms are compared, the Decision Tree algorithm gives the best performance with an accuracy rate of 96.49% and an AUC value of 0.98%. Here, the best hyper parameter values determined as Gini index, maximum depth 40 and maximum feature 8 were taken as the division criteria. The lowest performance belongs to Logistic Regression model with 65.62% accuracy rate and 0.72 AUC value. As a result of the study, it is seen that it is appropriate to classify with the Decision Tree model, which exhibits the best performance. At the same time, taking into account the product associations in the canceled receipts, it will be possible to take measures to prevent product loss and theft.
Benzer Tezler
- Makine öğrenmesi ile etkileşimli yardım masası sistemi tasarımı
Interactive helpdesk system design with machine learning
BUĞRA KAAN TÜRKMENOĞLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Makine öğrenmesi ile nohutta verim ve tür tahmini
Chickpea yield and species prediction with machine learning
FIRAT KESKİNBIÇAK
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiHarran ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KERİM KARADAĞ
- Makine öğrenmesi ile kısıtlara dayalı zımpara seçimi
Abrasive selection based on constraints with the help of machine learning
MELİH SARILIGİL
Yüksek Lisans
Türkçe
2023
Makine MühendisliğiBalıkesir ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ ORAL
- Makine öğrenmesi ile gelişmiş polarizasyon kestirim yöntemi
Advanced polarization estimation method with machine learning
YUSUF ÖNÜR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HARUN TAHA HAYVACI
- Makine öğrenmesi ile uzaktan eğitim öğrencilerinin performanslarının değerlendirilmesi
Evaluating distance learning students' performance by machine learning
OSMAN YILDIZ
Doktora
Türkçe
2014
Eğitim ve Öğretimİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
PROF. DR. SEVİNÇ GÜLSEÇEN
DOÇ. DR. ABDULLAH BAL