SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2017 / Cilt: 32 - Sayı: 1

GENELLEŞTİRİLMİŞ İLGİNÇ SINIFLANDIRMA KURALLARININ YAPAY KİMYASAL REAKSİYON OPTİMİZASYON ALGORİTMASI İLE KEŞFİ

Bilal ALATAŞ
A. Bedri ÖZER
Pages
0–0
Publication Date
2017-03-23
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

YAKROA’nın farklı veri madenciliği problemleri; özellikle birliktelik kurallarının keşfi, kümeleme kurallarının keşfi, ardışık örüntü keşfi vb. için etkili bir çözüm yöntemi olarak kullanılabileceği öngörülmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Sınıflandırma kural madenciliği en çok çalışılan veri madenciliği problemlerindendir.
📊
Key Findings & Data:Farklı amaçlar doğrultusunda değişik veritabanlarında farklı kurallar kümesi, esnek bir şekilde algoritmadaki temsil biçimi ve amaç fonksiyonunun düzenlenmesiyle bulunmuştur.
💡
Conclusion & Impact:YAKROA’nın farklı veri madenciliği problemleri; özellikle birliktelik kurallarının keşfi, kümeleme kurallarının keşfi, ardışık örüntü keşfi vb. için etkili bir çözüm yöntemi olarak kullanılabileceği öngörülmektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Veri madenciliği · Sınıflandırma · Metasezgisel optimizasyon

Özet

Sınıflandırma kural madenciliği en çok çalışılan veri madenciliği problemlerindendir. Bu makalede birden fazla sınıflama etiketi bulunan ve tahmin edilecek birden fazla hedef niteliğin olduğu veritabanlarında, sınıflandırma kural madenciliğinin daha genel bir hali olan kompleks ve fazla çalışılmamış genelleştirilmiş kural keşfi problemi için ilk kez kimya tabanlı Yapay Kimyasal Reaksiyon Optimizasyon Algoritması (YAKROA) kullanılmıştır. İlginçlik kriteri de eklenerek; algoritmanın keşfedeceği kuralların sadece doğru ve anlaşılabilir değil aynı zamanda ilginç, beklenmedik ve sürpriz olması için de gerekli düzenlemeler yapılmıştır. Farklı amaçlar doğrultusunda değişik veritabanlarında farklı kurallar kümesi, esnek bir şekilde algoritmadaki temsil biçimi ve amaç fonksiyonunun düzenlenmesiyle bulunmuştur. Farklı özellikte halka açık gerçek veritabanlarında YAKROA’nın sınıflandırma kural keşfi problemindeki performansı genetik algoritma, parçacık sürü optimizasyon algoritması ve karınca koloni optimizasyon algoritması ile karşılaştırılmıştır. Deneysel sonuçlardan, YAKROA’nın veri madenciliğinin bu özel alanındaki performansının umut verici olduğu görülmüştür. YAKROA’nın farklı veri madenciliği problemleri; özellikle birliktelik kurallarının keşfi, kümeleme kurallarının keşfi, ardışık örüntü keşfi vb. için etkili bir çözüm yöntemi olarak kullanılabileceği öngörülmektedir.

🔖

Cite This Article

ALATAŞ, B., ÖZER, A. B. (2017). GENELLEŞTİRİLMİŞ İLGİNÇ SINIFLANDIRMA KURALLARININ YAPAY KİMYASAL REAKSİYON OPTİMİZASYON ALGORİTMASI İLE KEŞFİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 32 - Sayı: 1, 0–0. https://ajindex.com/articles/20251

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. Han J., Kamber M., Pei J., Data Mining: Concepts and Techniques, The Morgan Kaufmann Series in Data Management Systems, 3. Baskı, 744 sayfa, 2011
  2. Setiono R., Azcarraga A., Hayashi Y., Using Sample Selection to Improve Accuracy and Simplicity of Rules Extracted from Neural Networks for Credit Scoring Applications, International Journal of Computational Intelligence and Applications, 14(4), 1550021, 2015. Quinlan J. R., C4.5: Programs for Machine Learning, Morgan Kaufmann, 1992.
  3. Breiman L., Friedman J. H., Olshen R. A., Stone C. J., Classification and Regression Trees, Wadsworth, 1984.
  4. Berzal F., Cubero J. C., Sánchez D., Serrano J. M., Art: A Hybrid Classification Model, Machine Learning, 54(1), 67-92, 2004.
  5. Dai Q., Zhang C. Wu H., Research of Decision Tree Classification Algorithm in Data Mining, International Journal of Database Theory and Application, 9(5), 1-8, 2016.
  6. Alatas B., Akin E., Sınıflandırma Kurallarının Karınca Koloni Algoritmasıyla Keşfi, ASYU Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu, Istanbul, 62-66, 2006.
  7. Aggarwal C. C., Data Classification: Algorithms and Applications, CRC Press, 2014.
  8. Sharma P., Discovery of Classification Rules Using Distributed Genetic Algorithm, Procedia Computer Science, 46, 276-284, 2015.
  9. Panda M., Abraham A., Hybrid Evolutionary Algorithms for Classification Data Mining, Neural Computing and Applications, 26(3), 507-523, 2015.
  10. Gundogan K. K., Alatas B., Karci A., Mining Classification Rules by Using Genetic Algorithms with Non-Random Initial Population and Uniform Operator, Turkish Journal of Electrical Engineering & Computer Sciences, 12(1), 43-52, 2004.
  11. Yang L., Li K., Zhang W., Ke Z., Ant Colony Classification Mining Algorithm Based on Pheromone Attraction and Exclusion, Soft Computing, 1-13, 2016.
  12. Liang Z., Sun J., Lin Q., Du Z., Chen J., Ming Z., A Novel Multiple Rule Sets Data Classification Algorithm Based on Ant Colony Algorithm, Applied Soft Computing, 38, 1000-1011, 2016.
  13. Asadi S., Shahrabi J., ACORI: A Novel ACO Algorithm for Rule Induction, Knowledge-Based Systems, 97, 175-187, 2016.
  14. Alatas B., Akin E., Multi-Objective Rule Mining Using a Chaotic Particle Swarm Optimization Algorithm, Knowledge-Based Systems, 22(6), 455-460, 2009.
  15. Tapkan P., Özbakır L., Kulluk S., Baykasoğlu, A., A Cost-Sensitive Classification Algorithm: BEE-Miner, Knowledge-Based Systems, 95, 99-113, 2016.
  16. Celik M., Karaboga D., Koylu F., Artificial Bee Colony Data Miner (ABC-Miner), IEEE International Symposium on Inno