Makine Öğrenmesi Algoritmaları Kullanılarak Kayısı İç Çekirdeklerinin Sınıflandırılması

Özet

Kayısı çekirdeği üretimi ve tüketimi fazla olan bir gıda ürünüdür. Kayısı iç çekirdeklerinin makine öğrenmesialgoritmaları kullanılarak, tatlı veya acı olarak sınıflandırılması bu çalışmanın konusunu oluşturmaktadır. Hemtatlı hem de acı kayısı iç çekirdeği için talep miktarı oldukça fazladır. Depolama şartları gibi nedenlerden dolayıkayısı iç çekirdekleri zaman zaman birbirine karışabilmektedir. Bu durum tüketiciler tarafından istenmeyen birdurumdur. Kayısı iç çekirdeğinin ayrıştırılması, gözle her zaman mümkün olmamaktadır. Bu çalışmanın amacı,insan faktörünü ortadan kaldırabilecek bir sınıflandırma yönteminin geliştirilmesidir. Bu sınıflandırma işlemi içink En Yakın Komşu, Destek Vektör Makinesi, Karar Ağacı, Rasgele Orman, Adaptive Boosting, Gaussian NaiveBayes ve Çok Katmanlı Algılayıcı algoritmaları kullanılmıştır. Yeterli sayıda öznitelik ile algoritmaların yarıdanfazlası sınıflandırma işlemini %100 başarı ile elde edebilmektedir. En az sayıda öznitelik kullanarak en iyi başarıRasgele Orman algoritması ile elde edilmiştir. Sonuçlar göstermiştir ki, kayısı iç çekirdeklerinin sınıflandırılmasıişlemi makine öğrenmesi algoritmaları ile başarılı bir şekilde gerçekleştirilebilmektedir.

Abstract

Apricot kernel is a food product with high production and consumption. The classification of apricot kernels as sweet or bitter using machine learning algorithms is the subject of this study. The demand for both sweet and bitter apricot kernels are quite high. Due to reasons such as storage conditions, apricot kernels can get mixed from time to time. This situation is undesirable for consumers. The separation of apricot kernels is not always possible with the eyes. This study aims to develop a classification method that can eliminate the human factor. For this classification process, k Nearest Neighbor, Support Vector Machine, Decision Tree, Random Forest, Adaptive Boosting, Gaussian Naive Bayes and Multilayer Perceptron algorithms have been used. More than half of the algorithms with a sufficient number of attributes can achieve the classification process with 100% success. The best performance has been obtained by the Random Forest algorithm using the minimum number of features. The results show that the classification of apricot kernels can be carried out successfully with machine learning algorithms.