The Role of Machine Learning in Productivity: A Case Study of WineQuality Prediction

Verimlilikte Yapay Zeka’nın Rolü: Şarap Kalitesinin Tahminine Yönelik Bir Vaka Çalışması

Abstract

Machine learning has been used in many areas in recent years and has achieved quite successful results. Machine learning methods havebeen used from healthcare to driverless vehicles, it might also play a big role to increase productivity in the production sector. In thisstudy, we have compared the performance of some machine learning strategies on an abnormally distributed dataset. Any machinelearning methods can be easily applied to normally distributed data sets. However, it is necessary to alter the theoretical structure of thealgorithm or data transformation process while a dataset is abnormally distributed. In this regard, three different methodologies arecompared in this study. Initially, Support Vector Machines, which are often used in the literature, is used. Besides, Weighted SupportVector Machines, which is the revised version of the Support Vector Machines to produce successful results in abnormally distributeddata sets. Finally, the Synthetic Minority Oversampling Technique (SMOTE) is applied, and the distribution of the dataset wasartificially changed to normal distribution. Three techniques are compared in terms of sensitivity, specificity, precision, prevalence, F 1 score, and G-Mean evaluation criteria. Based on the results of the methods, Weighted Support Vector Machines produced the mostsuccessful results according to the chosen evaluation criteria.

Özet

Yapay zeka son yıllarda birçok alanda kullanılmaya başlanmış ve oldukça başarılı sonuçlar elde edilmiştir. Sağlık sektöründensürücüsüz araçlara kadar birçok alanda kullanılan yapay zeka, üretim sektöründe de verimliliğin artırılması için sıklıkla kullanılmıştır.Bu çalışmada normal olarak dağılmamış bir veri setinde yapay zeka algoritmalarının kullanılmasına yönelik bir çerçeve çizilmeyeçalışılmıştır. Normal dağılım gösteren veri setlerinde herhangi bir yapay zeka algoritması kolaylıkla uygulanabilirken normal dağılımgöstermeyen veri setlerinde ya verinin kendisine farklı bir işlem uygulanması gerekir veya algoritmanın teorik yapısının revize edilmesigerekmektedir. Bu açıdan bu çalışmada iki farklı yöntemde uygulanmıştır. İlk olarak literatürde sıklıkla kullanılan Destek VektörMakinaları kullanılmıştır. Buna ek olarak Destek Vektör Makinalarının normal dağılmayan veri setlerinde başarılı sonuçlar vermesiiçin uyarlanmış şekli olan Ağırlıklandırılmış Destek Vektör Makineleri uygulanmıştır. Son olarak Sentetik Azınlık Aşırı ÖrneklemeTekniği (SMOTE) tekniği uygulanmış ve kullanılan veri seti yapay olarak normal dağılıma yakınsanmıştır. Kullanılan üç teknikteduyarlılık, hassaslık, özgüllük, yaygınlık, F skor ve Geometrik Ortalama (G-Mean) değerlendirme kriterleri açısından karşılaştırılmıştır.Çalışma sonucuna göre Ağırlıklandırılmış Destek Vektör Makineleri kullanılan değerlendirme kriterlerine göre en başarılı sonuçlarıvermiştir.