Journals / Bilişim Teknolojileri Dergisi / 2014 / Cilt: 7 - Sayı: 1

Breiman Algoritması Kullanılarak Homojen Alt Grupların Belirlenmesi: Bir Uygulama

Pages
0
Publication Date
2014-04-16
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)

Sonuç olarak, hedef veya bağımlı değişkenin bilinmediği durumlarda, veri setinde var olan homojen alt grupların belirlenmesinde, danışmansız öğrenme yöntemlerinden biri olan kümeleme analizinin uygulanması için değişkenlerin dağılım şekli ve tipinden etkilenmeyen Breiman algoritması etkin bir şekilde kullanılabilir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Breiman, birçok verinin birbirine yakın olarak toplandığı “yüksek yoğunluklu” alanları bularak verilerin kümelenebileceğini söylemiştir.
📊
Key Findings & Data:Uygulama bölümünde, hastaneye gece yeme sendromu şikâyetiyle başvuran 433 kişiye ilişkin sosyo-demografik ve klinik özellikler kullanılmıştır.
💡
Conclusion & Impact:Sonuç olarak, hedef veya bağımlı değişkenin bilinmediği durumlarda, veri setinde var olan homojen alt grupların belirlenmesinde, danışmansız öğrenme yöntemlerinden biri olan kümeleme analizinin uygulanması için değişkenlerin dağılım şekli ve tipinden etkilenmeyen Breiman algoritması etkin bir şekilde kullanılabilir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:– Data mining · unsupervised learning · cluster analysis

Abstract

Breiman, birçok verinin birbirine yakın olarak toplandığı “yüksek yoğunluklu” alanları bularak verilerin kümelenebileceğini söylemiştir. Bu çalışmada, Breiman'ın kümeleme algoritmasının işleyiş adımları tanıtılarak bir veri seti üzerinde uygulama adımlarının gösterilmesi ve sonuçlarının yorumlanması amaçlanmıştır. Uygulama bölümünde, hastaneye gece yeme sendromu şikâyetiyle başvuran 433 kişiye ilişkin sosyo-demografik ve klinik özellikler kullanılmıştır. Veri setinde olabilecek kümelerin ortaya konmasında, CART algoritmasından yararlanılmıştır. Elde edilen optimum ağaçta toplam 31 karar noktası bulunmuş ancak bunların 14' ünde yer alan deneklerin kendi içinde kümelenme gösterdiği belirlenmiştir. Çalışmaya alınan kişilerin 350'si oluşturulan 14 küme içine girmiş ve bunların 273 (%78)'ü klinik olarak gece yeme alışkanlığı yoktur tanısı almıştır. Elde edilen 14 kümenin 12'sinde yer alan kişilerin ağırlıklı olarak gece yeme alışkanlığı yok tanısı alanlardan oluştuğu ve bu sonuca göre, bu veri setinden elde edilen kümelerin, genel olarak gece yeme alışkanlığı olmayan bireyleri ayırt edebildiği söylenebilir. Sonuç olarak, hedef veya bağımlı değişkenin bilinmediği durumlarda, veri setinde var olan homojen alt grupların belirlenmesinde, danışmansız öğrenme yöntemlerinden biri olan kümeleme analizinin uygulanması için değişkenlerin dağılım şekli ve tipinden etkilenmeyen Breiman algoritması etkin bir şekilde kullanılabilir.

Özet

– Breiman, birçok verinin birbirine yakın olarak toplandığı “yüksek yoğunluklu” alanları bularak verilerin kümelenebileceğini söylemiştir. Bu çalışmada, Breiman’ın kümeleme algoritmasının işleyiş adımları tanıtılarak bir veri seti üzerinde uygulama adımlarının gösterilmesi ve sonuçlarının yorumlanması amaçlanmıştır. Uygulama bölümünde, hastaneye gece yeme sendromu şikâyetiyle başvuran 433 kişiye ilişkin sosyo-demografik ve klinik özellikler kullanılmıştır. Veri setinde olabilecek kümelerin ortaya konmasında, CART algoritmasından yararlanılmıştır. Elde edilen optimum ağaçta toplam 31 karar noktası bulunmuş ancak bunların 14’ ünde yer alan deneklerin kendi içinde kümelenme gösterdiği belirlenmiştir. Çalışmaya alınan kişilerin 350’si oluşturulan 14 küme içine girmiş ve bunların 273 (%78)’ü klinik olarak gece yeme alışkanlığı yoktur tanısı almıştır. Elde edilen 14 kümenin 12’sinde yer alan kişilerin ağırlıklı olarak gece yeme alışkanlığı yok tanısı alanlardan oluştuğu ve bu sonuca göre, bu veri setinden elde edilen kümelerin, genel olarak gece yeme alışkanlığı olmayan bireyleri ayırt edebildiği söylenebilir. Sonuç olarak, hedef veya bağımlı değişkenin bilinmediği durumlarda, veri setinde var olan homojen alt grupların belirlenmesinde, danışmansız öğrenme yöntemlerinden biri olan kümeleme analizinin uygulanması için değişkenlerin dağılım şekli ve tipinden etkilenmeyen Breiman algoritması etkin bir şekilde kullanılabilir.

🔖

Cite This Article

AKŞEHİRLİ, Ö., ANKARALI, H., CANGÜR, Ş., SUNGUR, M. A. (2014). Breiman Algoritması Kullanılarak Homojen Alt Grupların Belirlenmesi: Bir Uygulama. Bilişim Teknolojileri Dergisi, Cilt: 7 - Sayı: 1, 0. https://ajindex.com/articles/251845

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Ş. Koltan Yılmaz ve S. Patır, "Kümeleme Analizi ve Pazarlamada Kullanımı", Akademik Yaklaşımlar Dergisi, 2(1), 91-113, 2011
  2. L. Breiman ve A. Cutler, RFtools--for Predicting and Understanding Data, Interface WorkshopApril 2004
  3. Ç. Taşkın ve GG. Emel, "Veri Madenciliğinde Kümeleme Yaklaşımları ve Kohonen Ağları ile Perakendecilik Sektöründe Bir Uygulama", Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 15(3), 395-409, 2010
  4. Ö. Terzi, EU. Küçüksille, G. Ergin ve A. İlker, "Veri Madenciliği Süreci Kullanılarak Güneş Işınımı Tahmini", SDU International Technologic Science, (3)2, 29-37, 2011
  5. YZ. Ayık, A. Özdemir ve U. Yavuz, "Lise Türü ve Lise Mezuniyet Başarısının, Kazanılan Fakülte İle İlişkisinin Veri Madenciliği Tekniği ile Analizi", Sosyal Bilimler Enstitüsü Dergisi, 10(2), 441-454, 2007
  6. Y. Özkan, Veri Madenciliği Yöntemleri, Papatya Yayıncılık, 2008
  7. İnternet: Notes On Setting Up, Using, And Understanding Random Forests, http://www.stat.berkeley.edu/~breiman/notes_on _random_forests_v2.pdf, 30.05.2013
  8. İnternet: Salford Systems Predictive Modeler Unsupervised Learning, http://1.salfordsystems.com/Portals/160602/docs/Unsupervised_ Learning_slides.pdf, 22.05.2013
  9. İnternet: Unsupervised Learning and Cluster Analysis with CART, http://www.salfordsystems.com/blog/dan-steinberg/item/572- unsupervised-learning-and-cluster-analysis-withcart, 02.06.2013
  10. H. Çamdeviren Ankaralı, AC. Yazıcı, Z. Akkus, R. Bugdayci ve MA.Sungur, "Comparison of logistic regression model and classification tree: An application to postpartum depression data", Expert Systems with Applications, 32(4), 987-994, 2007
  11. LF. Handfield, YT. Chong, J. Simmons, BJ. Andrews ve AM. Moses, "Unsupervised Clustering of Subcellular Protein Expression Patterns in HighThroughput Microscopy Images Reveals Protein Complexes and Functional Relationships Between Proteins", PLoS Comput Biol., 9(6), 2013, doi: 10.1371/journal.pcbi.1003085
  12. MJ. Overman, J. Zhang, S. Kopetz, M. Davies, J. Zhi-Qin, K. Stemke-Hale, P. Rümmele, C. Pilarsky, R. Grützmann, S. Hamilton, R. Hwang, JL. Abbruzzese, G. Varadhachary, B. Broom ve H. Wang, "Gene Expression Profiling of Ampullary Carcinomas Classifies Ampullary Carcinomas in to Biliary-Like and Intestinal-Like Subtypes That are Prognostic of Outcome", PLoS One, 8(6), 2013, doi: 10.1371/journal.pone.0065144
  13. P. Stegmaier, A. Kel, E. Wingender ve J. Borlak, "A Discriminative Approach for Unsup