Veri Madenciliğinde Kullanılan Güncel Bir Analiz Programı: WEKA

Abstract

Bu çalışmada veri madenciliği yöntemlerinden ve bu alanda en çok kullanılan programlardan birini tanıtmak amaçlanmıştır. Teknoloji çağının yaşandığı günümüzde sahip olunan bilgi miktarı sürekli artış göstermekte ve bu bilgilerden anlamlı sonuçlar çıkarmak oldukça değerli bir çalışma alanı olarak görülmektedir. Veri madenciliğinde büyük miktardaki verinin içinde saklı olan ve araştırmacılar için oldukça faydalı olan bilgilerin bir dizi işlemlerin ardından ortaya çıkarılması hedeflenmektedir. Genel olarak tahminleme ve sınıflama üzerine kurulu bu yaklaşımda yeni ve doğruluğu henüz tam olarak test edilmemiş birçok yazılım bulunmaktadır. Bu çalışmada alan yazında veri madenciliği ile ilgili tarama yaptığınızda ilk karşınıza çıkan programlardan biri olan WEKA yazılımının ne olduğu, programın nasıl çalıştırıldığı ve analizler ile çıktı dosyalarının neler içerdiği açıklanmaya çalışılmıştır. Çalışmada ayrıca bu program üzerinden analiz yapmak isteyen uygulayıcılar için yazılımın üstün yönlerinin neler olduğu anlatılarak neler yapabilecekleri konusunda önerilerde bulunulmuştur.

Keywords

• Veri madenciliği,WEKA,Sınıflama,Tahmin

An Analysis Program Used in Data Mining: WEKA

Abstract

In this study, it is aimed to introduce one of the data mining methods which is very popular in recent years and commonly used in this area. For this purpose, the WEKA program and the decision trees, which is one of the methods used to estimate the dependent variable through independent variables, will be introduced. In today's age of technology, the amount of information at hand is constantly increasing and the derivation of meaningful results from this information is seen as a valuable field of study. Data mining aims to reveal the information that is hidden in a large amount of data after a series of operations, which is very useful for researchers. Regarding this approach that is mostly based on estimation and classification, there is a lot of new and unvalidated software that has not yet been fully tested. In this study, we discuss WEKA software, which is one of the programs in the field of data mining, how to run the program and the content of the analyzes and output files. The study also contains some suggestions for the practitioners who want to use this program about the superior aspects of the software and what kind of analysis can be done with it.

Keywords

• Data mining,WEKA,Classification,Prediction,Algorithm

References

1. Bradley, E. & Tibshirani, R. J. (1993). An Introduction to the Bootstrap. Boca Raton, USA: Chapman and Hall
2. Breiman L., Friedman J.H., Olsen E.A. & Stone C.J., (1984), Classification and Regression Trees, Belmont, CA: Wadsworth International Group.
3. Fayyad, U. & Irani, K. (1992) On the handling of continuous-valued attributes in decision tree generation. Machine Learning, 8, 87–102.
4. Holte, R. C. 1993. Very simple classification rules perform well on most commonly used datasets. Machine Learning 11:63–91.
5. Ibarguren, I., Perez, J. M., Muguerza, J., Gurrutxaga, I & Arbelaitz, O. (2014). An update of the J48Consolidated WEKA’s class: CTC algorithm enhanced with the notion of coverage, Technical Report EHU-KAT-IK-02-14, University of the Basque Country
6. Johari, R. (2016) MS&E 226: “Small” Data Lecture 8: Classification Problems, Lucture notes, Available from: http://web.stanford.edu/~rjohari/teaching/notes.html
7. Kohavi R. (1995) A study of cross-validation and bootstrap for accuracy estimation and model selection. In Proceedings of International Joint Conference on AI. 1995, 1137–1145
8. Mitchell, T. M. (1997). Machine Learning. New York: McGraw-Hill.

9. Quinlan, J. R. (1993) C4.5: Programs for machine learning, San Mateo, CA: Morgan Kaufmann publications
10. Powers, D. M. (2011). Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation, Journal of Machine Learning Technologies. 2 (1), 37–63.
11. Refaeilzadeh P., Tang L. & Liu H. (2007) On comparison of feature selection algorithms. In Proc. AAAI-07 Workshop on Evaluation Methods in Machine Learing II. 34–39.
12. Rokach, L. and Maimon, O.Z. (2008) Data mining with decision trees: Theory and applications. World Scientific Publishing Co., Inc., Singapore.
13. Sumathi, S. & Sivanandam, S.N. (2006) Introduction to Data Mining Principles, Studies in Computational Intelligence (SCI) 29, 1–20
14. Witten, I. H. & Frank, E. (2005) Data minig: Practical machine learning tools and techniques, United States of America: Morgan Kaufmann publications
15. Witten, I. H., Frank, E. & Hall, M. (2016) Data minig: Practical machine learning tools and techniques, United States of America: Morgan Kaufmann publications