SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2014 / Cilt: 29 - Sayı: 3

SINIFLANDIRMA KURALLARININ ÇIKARIMI İÇİN ETKİN VE HASSAS YENİ BİR YAKLAŞIM

Murat KÖKLÜ
Humar KAHRAMANLI
Novruz ALLAHVERDİ
Pages
0
Publication Date
2014-09-30
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)

Diğer yöntemlerle kıyaslandığında önerilen yöntem kullanılarak daha başarılı sonuçlar elde edildiği ve hesaplama karmaşıklığı açısından da avantajlı olduğu görülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada çok sınıflı verilerden kural çıkarımı için yeni bir yöntem önerilmiştir.
📊
Key Findings & Data:Önerilen metot 4 farklı veri kümesi üzerinde uygulanmıştır.
💡
Conclusion & Impact:Diğer yöntemlerle kıyaslandığında önerilen yöntem kullanılarak daha başarılı sonuçlar elde edildiği ve hesaplama karmaşıklığı açısından da avantajlı olduğu görülmüştür.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Kural çıkarımı · Gerçel değer kodlaması · Çok sınıflı problemler.

Özet

Bu çalışmada çok sınıflı verilerden kural çıkarımı için yeni bir yöntem önerilmiştir. Önerilen metot 4 farklı veri kümesi üzerinde uygulanmıştır. Ayrık ve gerçel nitelikler farklı şekilde kodlanmıştır. Ayrık nitelikler ikili olarak, gerçek nitelikler ise, iki gerçel değer kullanılarak kodlanmıştır. Bu değerler kuralları oluşturan niteliklerin değer aralıklarının orta noktası ve genişlemesidir. Kural çıkarım işlemi için sınıflandırma başarısı uygunluk fonksiyonu olarak kullanılmıştır. Uygunluk fonksiyonunun optimizasyonu amacıyla Yapay Bağışıklık Sistemi (YBS) algoritması olan CLONALG kullanılmıştır. Önerilen yöntemi uygulamak için Süsen çiçeği (Iris), Şarap (Wine), Cam Kimliklendirme (GlassIdentification) ve Deniz Kabuğu (Abalone) veri kümeleri kullanılmıştır. Veriler Irvine California Üniversitesi (UCI) makine öğrenmesi veri tabanından elde edilmiştir. Önerilen metot kullanılarak Süsen çiçeği için %100, Şarap için %99,44, Cam kimliklendirme için %77,10 ve Deniz Kabuğu için %62,59 doğruluk elde edilmiştir. Diğer yöntemlerle kıyaslandığında önerilen yöntem kullanılarak daha başarılı sonuçlar elde edildiği ve hesaplama karmaşıklığı açısından da avantajlı olduğu görülmüştür.

🔖

Cite This Article

KÖKLÜ, M., KAHRAMANLI, H., ALLAHVERDİ, N. (2014). SINIFLANDIRMA KURALLARININ ÇIKARIMI İÇİN ETKİN VE HASSAS YENİ BİR YAKLAŞIM. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 29 - Sayı: 3, 0. https://ajindex.com/articles/20479

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Kahramanlı H., and Allahverdi N., “Rule Extraction from Trained Adaptime Neural Networks Using ArtificialİmmuneSystems”, Expert Systems With Applications, Sayı 36, pp, 1513-1522, 2009.
  2. Gallant, S. I., “Connection Expert Systems”,Communications of the ACM, 31(2), pp.152–169, 1998.
  3. Towell, G. G., and Shavlik, J., “Extracting Refined Rules From Knowledge-Based Neural Networks”. Machine Learning, 13, pp.71–101, 1993.
  4. Lu, H., Setiono, R., and Liu, H., “Effective Data Mining Using Neural Networks”,IEEE Transactions on Knowledge and Data Engineering, 8(6), pp.957–961, 1996.
  5. Keedwell, E., Narayanan, A., and Savic, D., “Evolving rules from neural networks trained on continuous data”,Evolutionary Computation Congress,Proceedings Of The Congress On Evolutionary Computation, 1, pp.639-645, 2000a.
  6. Keedwell, E., Narayanan, A., and Savic, D., “Creating Rules From Trained Neural Networks Using Genetic Algorithms”International Journal of Computers Systeming Signals (IJCSS), 1(1), pp.30–42, 2000b.
  7. Aliev R.A., Aliev R.R., Guirimov B. and Uyar K., “Dynamic Data Mining Technique for Rules Extraction in a Process of Battery Charging”, Applied Soft Computing, 8, pp. 1252–1258, 2008.
  8. Ang J.H., Tan K.C. and Mamun A.A., “An Evolutionary Memetic Algorithm For Rule Extraction”, Expert Systems with Applications, Volume 37, 2, pp.1302-1315, 2010. Papageorgiou E.I., “A New Methodology for Decisions in Medical Informatics Using Fuzzy Cognitive Maps Based on Fuzzy Rule-Extraction Techniques”, Applied Soft Computing, 11, pp.500–513, 2011. Rodríguez M., Escalante D. M., and Peregrín A., “Efficient Distributed Genetic Algorithm for Rule Extraction”, Applied Soft Computing, Vol.11, 1, pp. 733-743,2011.
  9. Sarkar, B.K., Sana S.S. and Chaudhuri K., “A Genetic Algorithm-Based Rule Extraction System”,Applied Soft Computing 12,pp.238–254, 2012.
  10. Özbakır L., Baykasoğlu A. and Kulluk S., “A Soft Computing-Based Approach for Integrated Training and Rule Extraction From Artificial Neural Networks: DIFACONN-Miner”, Applied Soft Computing 10,pp.304–317, 2010.
  11. Baykasoglu A., Saltabaş A., Taşan A.S. and Subulan K., “Yapay Bağışıklık Sisteminin Çoklu Etmen Benzetim Ortamında Realize Edilmesi ve Gezgin Satıcı Problemine Uygulanması” Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt 27, No 4, 901-909, 2012.
  12. Seredynski, F., and Bouvry, P., “Anomaly Detection in TCP/IP Networks Using Immune Systems Paradigm”,Computer Communications, 30, pp.740–749, 2007.
  13. Kalinli, A., and Karaboga, N., “Artificial Immu