BAZI DENETİMLİ ÖĞRENME ALGORİTMALARININ R PROGRAMLAMA DİLİ İLE KIYASLANMASI

Yapay zekâ bilgisayarların insanların düşünce sistemlerini taklit ederek karmaşık problemlere çözüm üretebilme yeteneklerine verilen addır. Makine öğrenmesi ise yapay zekânın önemli bir alt dalıdır. Makine öğrenmesi, çeşitli görevlerin öğrenilmesi, mantıksal ve ikili çıkarımlar yoluyla otomatik hesaplama yöntemlerini kapsayan bir süreç olarak ele alınabilir. R yazılımı pek çok istatistiksel hesaplamanın yanı sıra makine öğrenmesi algoritmasında ki başarısıyla da ön plana çıkmaktadır. Bu çalışmada R yazılımının sınıflandırma amacıyla kullandığı çeşitli makine öğrenmesi algoritmalarının performansları karşılaştırılmıştır. Bu amaçla, UCI Makine Öğrenme Havuzundan, elde edilen gerçek verilere çeşitli makine öğrenme algoritmaları uygulanmış ve sınıflandırma algoritmaları birkaç kriter kullanılarak karşılaştırılmıştır. Hesaplanan kriterlerden olan; kesinlik, doğruluk, duyarlılık ve F ölçütü hareketle, sınıflandırma tekniklerinin kıyaslanması yapılmıştır. Yapılan karşılaştırmalar sonucunda, üç kriterde en iyi sınıflandırmayı yapan Lojistik Regrasyon algoritmasının diğer algoritmalara göre daha başarılı olduğu görülmüştür. Tüm ölçütlerden en iyi ikinci performansı gösteren algoritma Navie Bayes algoritması olmuştur.

Anahtar Kelimeler:

Makine Öğrenmesi, Denetimli Öğrenme, R Programlama, Lojistik Regresyon, Navie Bayes

PDF

___

A. Charitou, E. Neophytou ve C. Charalambous,“Predicting corporate failure: empirical evidence for the UK”, European Accounting Review, 13(3), 465-497, 2004. B. İbrahim Sevindi, "Türkçe Metinlerde Denetimli ve Sözlük Tabanlı Duygu Analizi Yaklaşımlarının Karşılaştırılması" Yüksek Lisans Tezi, 2013.
Chandra B, Gupta M ve Gupt MP. “Robust approach for estimating probabilities in Naive-Bayes classifier”. Pattern Recognition and Machine Intelligence. Kolkata, India, 18-22 December 2007.
Çetin KAYA, Oktay YILDIZ, “Makine Öğrenmesi Teknikleriyle Saldırı Tespiti: Karşılaştırmalı Analiz” Marmara Fen Bilimleri Dergisi 2014,3:89-104.
D Michie, D J Spiegelhalter ve C C Taylor, Machine Learning, Neural and Statistical Classification, Overseas Press, 1994.s.3.
Ensar Arif SAĞBAŞ, Serkan BALLI, “Akıllı telefon algılayıcıları ve makine öğrenmesi kullanılarak ulaşım türü tespiti”, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 22(5), 376-383, 2016.
Ethem Alpaydın, Introduction to Machine Learning Second Edition., The MIT Press, Cambridege, 2010, s.4.
M. Erdal BALABAN, Elif KARTAL, Veri Madenciliği ve Makine Öğrenmesi Temel Algoritmaları ve R Dili ile Uygulamaları, Çağlayan Kitabevi, İstanbul, 2015.
Lara OD, Pérez AJ, Labrador MA ve Posada JD. “Centinela: A human activity recognition system based on acceleration and vital sign data”. Pervasive and Mobile Computing, 8(5), 717-729, 2012.
P. Cortez, A. Silva. Using Data Mining to Predict Secondary School Student Performance. In A. Brito and J. Teixeira Eds., Proceedings of 5th FUture BUsiness TEChnology Conference (FUBUTEC 2008) pp. 5-12, Porto, Portugal, April, 2008.
S. Y. Wu ve E. Yen, "Data mining-based intrusion detectors", Expert Systems with Applications, vol. 36, no. 3, pp. 5605-5612, 2009.
S. Wu ve W. Banzhaf, «The Use of Computational Intelligence in Intrusion Detection Systems: A Review,» Applied Soft Computing, cilt 10, no. 1, pp. 1-35, 2010.
Sinan Aydın ve Ali Ekrem Özkul, ‘Veri Madenciliği Ve Anadolu Üniversitesi Açıköğretim Sisteminde Bir Uygulama’, Eğitim ve Öğretim Araştırmaları Dergisi, Ankara, Cilt 4, Sayı 3, 2015, s. 38.