KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2016 / Cilt: 31 - Sayı: 4

KEDİ SÜRÜSÜ OPTİMİZASYON ALGORİTMASIYLA DOĞRU VE ANLAŞILABİLİR NÜMERİK SINIFLANDIRMA KURALLARININ OTOMATİK KEŞFİ

Bilal ALATAŞ
Sinem AKYOL
Sayfa
0–0
Yayın Tarihi
2016-12-14
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

KSO algoritması üzerinde herhangi bir iyileştirme yapılmadığı ve bu alanda ilk kez kullanıldığı halde, elde edilen sonuçların umut verici olduğu gözlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Metasezgisel algoritmalar, büyük boyutlu optimizasyon problemleri için, kabul edilebilir sürede optimuma yakın çözümler verebilen algoritmalardır.
📊
Temel Bulgular & Veri:Genel amaçlı metasezgisel optimizasyon algoritmaları; biyoloji tabanlı, fizik tabanlı, sürü tabanlı, sosyal tabanlı, müzik tabanlı, spor tabanlı ve kimya tabanlı olmak üzere yedi farklı grupta değerlendirilmektedir.
💡
Sonuç & Katkı:KSO algoritması üzerinde herhangi bir iyileştirme yapılmadığı ve bu alanda ilk kez kullanıldığı halde, elde edilen sonuçların umut verici olduğu gözlenmiştir.
🔬Tür:Laboratuvar & Saha Deneyi
📍Kapsam:4 adet
⚙️Değişkenler:Kedi sürüsü optimizasyonu · sınıflandırma · veri madenciliği

Özet

Metasezgisel algoritmalar, büyük boyutlu optimizasyon problemleri için, kabul edilebilir sürede optimuma yakın çözümler verebilen algoritmalardır. Genel amaçlı metasezgisel optimizasyon algoritmaları; biyoloji tabanlı, fizik tabanlı, sürü tabanlı, sosyal tabanlı, müzik tabanlı, spor tabanlı ve kimya tabanlı olmak üzere yedi farklı grupta değerlendirilmektedir. Sürü zekâsı tabanlı optimizasyon algoritmaları kuş, balık, kedi ve arı gibi canlı sürülerinin hareketlerinin incelenmesiyle geliştirilmiştir.Veri madenciliği, büyük ölçekli verilerden anlamlı ve faydalı bilginin keşfedilmesi işlemidir. Sınıflandırma kurallarının madenciliği üzerinde en çok çalışılan veri madenciliği problemlerinden biridir ve bu problemde veri kümelerinden kullanıcıların rahatça anlayabileceği kurallar çıkarılmaktadır.Bu çalışmada, en güncel sürü zekâsı optimizasyon algoritmalarından Kedi Sürüsü Optimizasyonu (KSO) bildiğimiz kadarıyla ilk kez nümerik ya da karışık tipte verilerden oluşan veritabanlarında sınıflandırma kurallarının otomatik keşfinde kullanılmıştır. Kuralda yer alabilecek ilgili niteliklerin doğru aralıkları için bir ön işlem kullanılmamış, kurallarla birlikte otomatik olarak bulunması da KSO tarafından sağlanmıştır. Ayrıca, kullanılan amaç fonksiyonu çok esnektir ve farklı amaçlar kolaylıkla fonksiyona entegre edilebilir. Bu amaçla, UCI veri ambarından alınan 4 adet veritabanı kullanılmış; doğru ve anlaşılabilir sınıflandırma kuralları keşfedilmiştir. Bulunan sonuçlarla Weka programından elde edilen sonuçlar karşılaştırılmıştır. KSO algoritması üzerinde herhangi bir iyileştirme yapılmadığı ve bu alanda ilk kez kullanıldığı halde, elde edilen sonuçların umut verici olduğu gözlenmiştir.

🔖

Bu Makaleye Atıf Yap

ALATAŞ, B., AKYOL, S. (2016). KEDİ SÜRÜSÜ OPTİMİZASYON ALGORİTMASIYLA DOĞRU VE ANLAŞILABİLİR NÜMERİK SINIFLANDIRMA KURALLARININ OTOMATİK KEŞFİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 31 - Sayı: 4, 0–0. https://ajindex.com/articles/20277

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Alataş B., Akın E., Sınıflandırma Kurallarının Karınca Koloni Algoritmasıyla Keşfi, ELECO'2004, Bursa, 357-361, Aralık, 2004.
  2. Özkan Y., Veri Madenciliği Yöntemleri, Papatya Yayıncılık Eğitim, 2008.
  3. Ga, D., Boullé M., A Bayesian Approach for Classification Rule Mining in Quantitative Databases, Machine Learning and Knowledge Discovery in Databases, Springer Berlin Heidelberg, 243-259, 2012. ] Olmo J. L., Romero J. R., Ventura S., Classification Rule Mining Using Ant Programming Guided by Grammar with Multiple Pareto Fronts, Soft Computing, 16(12), 2143-2163, 2012.
  4. Changpetch P., Lin D. K., Interestingness Measures for Classification Rule Mining: Model Selection Ability, International Journal of Computer Science Issues (IJCSI), 12(4), 76, 2015.
  5. Al-diabat M., Arabic Text Categorization Using Classification Rule Mining, Applied Mathematical Sciences, 6(81), 4033-4046, 2012.
  6. Jacques J., Taillard J., Delerue D., Dhaenens C., Jourdan L., Conception of a Dominance-based Multi-Objective Local Search in the Context of Classification Rule Mining in Large and Imbalanced Data Sets, Applied Soft Computing, 34, 705-720, 2015.
  7. Cano A., Zafra A., Ventura S., An Interpretable Classification Rule Mining Algorithm, Information Sciences, 240, 1-20, 2013.
  8. Mishra B. S. P., Addy A. K., Roy R., Dehuri S., Parallel Multi-Objective Genetic Algorithms for Associative Classification Rule Mining, Proceedings of the 2011 International Conference on Communication, Computing & Security, ACM, 409-414, 2011.
  9. Salama K. M., Abdelbar A. M., Otero F. E., Freitas A. A., Utilizing Multiple Pheromones in an Ant-based Algorithm for Continuous-Attribute Classification Rule Discovery, Applied Soft Computing, 13(1), 667-675, 2013.
  10. Haltaş A., Alkan A., Karabulut M., Metin Sınıflandırmada Sezgisel Arama Algoritmalarının Performans Analizi, Journal of the Faculty of Engineering and Architecture of Gazi University, 30(3), 417-427, 2015.
  11. Köklü M., Kahramanlı H., Allahverdi, N., Sınıflandırma Kurallarının Çıkarımı için Etkin ve Hassas Yeni Bir Yaklaşım, Journal of the Faculty of Engineering and Architecture of Gazi University, 29(3), 477-486, 2014.
  12. Chu S. C., Tsai P. W., Pan J. S., Cat Swarm Optimization, 9th Pacific Rim International Conference on Artificial Intelligence, LNAI, 4099, 854-858, 2006.
  13. Santosa B., Ningrum M.K., Cat Swarm Optimization for Clustering, International Conference of Soft Computing and Pattern Recognition, 54-59, 2009.
  14. Wang Z. H., Chang C. C., Li M. C., Optimizing Least-Significant-B