Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightYapılan karşılaştırma sonucunda ise örnek tabanlı K-Star algoritmasına göre oluşan [MAE: 0,004, RMSE: 0,006, %RAE: 1,73 ve %RRSE: 1,70] sınıflandırma modelinin diğerlerine nazaran daha iyi sınıflandırıcı olduğu tespit edilmiştir.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, domatesin renk olgunluğu üzerine kabuk yırtılma noktasındaki kuvvet, kabuk yırtılma noktasındaki enerji ve kabuk yırtılma sertliği gibi mekanik özelliklerin etkisinin veri madenciliği yönteminin danışmanlı öğrenme algoritmaları ile belirlenmesi amacıyla yürütülmüştür. Araştırmada toplam 88 adet domates örneği kullanılmış ve her domateste 4 farklı ekvatoral bölgede renk ölçümü gerçekleştirilerek toplamda 352 adet renk ölçümü kullanılmıştır. Mekanik özelliklere göre yapılan sınıflandırma işlemlerinde veri madenciliğinin K-Star, Random Forest ve Karar Ağacı (C4.5) algoritmalarından yararlanılmış ve oluşan sınıflandırma modellerinin karşılaştırmasında hata varyans kriterlerinden, Hata kareler ortalamasının karekökü (Root Mean Square Error-RMSE), Ortalama mutlak hata (Mean absolute error-MAE), Bağıl karesel hatanın karakökü (Root relative squared error-RRSE) ile Göreli mutlak hata (Relative absolute error RAE) değerlerinin düşük, sınıflandırma doğruluk oranının ise yüksek olması dikkate alınmıştır. Yapılan karşılaştırma sonucunda ise örnek tabanlı K-Star algoritmasına göre oluşan [MAE: 0,004, RMSE: 0,006, %RAE: 1,73 ve %RRSE: 1,70] sınıflandırma modelinin diğerlerine nazaran daha iyi sınıflandırıcı olduğu tespit edilmiştir. K-Star algoritmasına göre yapılan sınıflandırma ile domateste olgunluk derecesi üzerinde kabuk yırtılma noktasındaki kuvvet ile kabuk yırtılma sertliği özelliklerinin yeşil, açık kırmızı ve renk dönüşüm dönemlerinde etkisinin önemsiz diğer dönemlerde önemli kabuk yırtılma noktasındaki enerjinin ise yalnızca pembe ve renk dönüşüm safhalarında etkili diğer renk oluşum safhalarında ise önemsiz olduğu bulunmuştur.
Abstract
This study was conducted in order to determine the effect of the mechanical properties such as maximum force at the skin rupture point, energy at the skin rupture point and the skin firmness on color maturity of tomato by supervised learning algorithms of data mining. In the present study, a total of 88 tomato samples were used, and color measurements for each tomato in 4 different equatorial regions were performed and a total of 352 color measurement units were used. In the classification processes performed according to these mechanical properties, KStar, Random Forest and Decision Tree (C4.5) algorithms of data mining were utilized, and in the comparison of comprising classification models, Root Mean Square Error (RMSE), Mean absolute error (MAE), Root relative squared error (RRSE) and Relative absolute error (RAE) values, which are some of the criteria of error variance, were considered to be low, while the classification accuracy rate was considered to be high. As a result of the comparison made, the classification model formed according to K-Star instance-based algorithm [MAE: 0.004, RMSE: 0.006, %RAE: 1.73, %RRSE: 1.70] has been found to be a better classifier compared to the others. With the classification made according to K-Star algorithm, the maximum force at the skin rupture point on the degree of maturity of tomato and the skin firmness were found to be green, light red, and their effects are non-significant during the color conversion periods, and found significant during other periods while the energy at the skin rupture point is only pink and has been to be significant during the color conversion stages and non-significant during other stages.