SavedAdd your journal

Journals / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2021 / Cilt: 9 - Sayı: 6

Yapay Sinir Ağları ve K-Ortalamalar Tabanlı Büyük Veri Azaltma Algoritmasının Tasarımı ve Uygulaması

Hamdi Tolga KAHRAMAN
Seyithan TEMEL
Pages
329–342
Publication Date
2022-10-12
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)

Analiz sonuçlarına göre büyük veri setlerinde kararlılık ve performans kaybı yaşanmadan %30-%40 oranları arasında veri azaltma işlemi başarılı bir şekilde gerçekleştirilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Büyük veri azaltma sürecinde karşılaşılan başlıca zorluk, veri setinin homojenliğinin ve problem uzayını temsil yeteneğinin korunmasıdır.
📊
Key Findings & Data:Bu makale çalışmasının amacı, büyük veri setleri için kararlı ve etkili bir şekilde çalışan veri azaltma algoritması geliştirmektir.
💡
Conclusion & Impact:Analiz sonuçlarına göre büyük veri setlerinde kararlılık ve performans kaybı yaşanmadan %30-%40 oranları arasında veri azaltma işlemi başarılı bir şekilde gerçekleştirilmiştir.
🔬Design:Lab & Field Experiment
📍Scope:Comprehensive Sample
⚙️Variables:büyük veri · veri azaltma · k-ortalamalar

Özet

Büyük veri azaltma sürecinde karşılaşılan başlıca zorluk, veri setinin homojenliğinin ve problem uzayını temsil yeteneğinin korunmasıdır. Bu durum, büyük veri setleri üzerinde yapılan modelleme çalışmalarında hesaplama karmaşıklığının yeterince azaltılamamasına, geliştirilen modelin orijinal veri setine dayalı olarak geliştirilen modele kıyasla kararlılık ve doğruluk performansının önemli ölçüde azalmasına neden olmaktadır. Bu makale çalışmasının amacı, büyük veri setleri için kararlı ve etkili bir şekilde çalışan veri azaltma algoritması geliştirmektir. Bu amaçla, yapay sinir ağları (YSA) tabanlı problem modelleme modülü ve K-ortalamalar tabanlı veri azaltma modülünden oluşan melez bir algoritma geliştirilmiştir. Problem modelleme modülü, büyük veri seti için performans eşik değerlerini tanımlamayı sağlamaktadır. Bu sayede, orijinal veri setinin ve veri azaltma işlemi uygulanmış veri setlerinin problem uzayını temsil yetenekleri ve kararlılıkları analiz edilmektedir. K-ortalamalar modülünün görevi ise, veri uzayını K-adet kümede gruplamayı ve bu grupların her biri için küme merkezini referans alarak kademeli olarak veri (gözlem) azaltma işlemini gerçekleştirmektir. Böylelikle, K-ortalamalar modülü ile veri azaltma işlemi uygulanırken, azaltılmış veri setlerinin performansı ise YSA modülü ile test edilmekte ve performans eşik değerlerini karşılama durumu analiz edilmektedir. Geliştirilen melez veri azaltma algoritmasının performansını test etmek ve doğrulamak amacıyla UCI Machine Learning uluslararası veri havuzunda yer alan üç farklı veri seti kullanılmıştır. Deneysel çalışma sonuçları istatistiksel olarak analiz edilmiştir. Analiz sonuçlarına göre büyük veri setlerinde kararlılık ve performans kaybı yaşanmadan %30-%40 oranları arasında veri azaltma işlemi başarılı bir şekilde gerçekleştirilmiştir.

🔖

Cite This Article

KAHRAMAN, H. T., TEMEL, S. (2022). Yapay Sinir Ağları ve K-Ortalamalar Tabanlı Büyük Veri Azaltma Algoritmasının Tasarımı ve Uygulaması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 9 - Sayı: 6, 329–342. https://ajindex.com/articles/494204

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. HT. Kahraman, “A novel and powerful hybrid classifier method: Development and testing of heuristic k-nn algorithm with fuzzy distance metric,” Data & Knowledge Engineering, c. 103, ss. 44-59, 2016
  2. HT. Kahraman, B. Aras, & O. Yıldız. “Sınıflandırma Problemleri İçin Agde-Tabanlı Meta-Sezgisel Boyut İndirgeme Algoritmasının Geliştirilmesi,” Mühendislik Bilimleri ve Tasarım Dergisi, c. 8, s. 5, ss. 206-217, 2020
  3. F. Arslan, & HT. Kahraman. “Yapay zekâ tabanlı büyük veri yönetim aracı,” Journal of Investigations on Engineering and Technology, c. 2, s. 1, ss. 8-21, 2019
  4. Ö. Köroğlu, & HT. Kahraman. “K-Ortalamalar Tabanlı En Etkili Meta-Sezgisel Kümeleme Algoritmasının Araştırılması,” Mühendislik Bilimleri ve Tasarım Dergisi, c. 8, s. 5, ss. 173-184, 2020
  5. N. Gokilavani and B. Bharathi, "Test case prioritization to examine software for fault detection using PCA extraction and K-means clustering with ranking," Soft Computing, vol. 25, no. 7, pp. 5163-5172, 2021
  6. M. Sivaguru and M. Punniyamoorthy, "Performance-enhanced rough k k-means clustering algorithm," Soft Computing, vol. 25, no. 2, pp. 1595-1616, 2021
  7. Z. Wang, Y. Zhou, and G. Li, "Anomaly Detection by Using Streaming K-Means and Batch K-Means," 2020 5th IEEE International Conference on Big Data Analytics (ICBDA). IEEE, vol. 5, pp. 11-17, 2020
  8. Y. Li, and H. Wu, "A clustering method based on K-means algorithm," Physics Procedia vol. 25, pp. 1104-1109, 2012
  9. CU. Kumari, SJ. Prasad, and G. Mounika, "Leaf disease detection: feature extraction with K-means clustering and classification with ANN," 2019 3rd International Conference on Computing Methodologies and Communication (ICCMC). IEEE, pp. 1095-1098, 2019
  10. VP. Murugesan, and P. Murugesan, "A new initialization and performance measure for the rough k-means clustering," Soft Computing, vol. 24, no. 15, pp. 11605-11619, 2020
  11. OJ. Oyelade, OO. Oladipupo, and IC. Obagbuwa, "Application of k Means Clustering algorithm for prediction of Students Academic Performanc,." International Journal of Computer Science and Information Security, IJCSIS, Vol. 7, No. 1, pp. 292-295, 2010
  12. M. Yedla, SR. Pathakota, and TM. Srinivasa, "Enhancing K-means clustering algorithm with improved initial center," International Journal of computer science and information technologies vol. 1, no. 2, pp. 121-125, 2010
  13. BP. Koustubh, VV. Nair, and S. Kumaravel, "Anomaly Detection in Hybrid Electric Vehicles Using ANN Based Support Vector