Constructing a Decision-Prediction Mechanism for Dynamic Data

Abstract

Nowadays, the amount of stored data is constantly growing because of the increasing internet usage and the developments in magnetic medium technology. It has been more complex to analyze this increasing amount of data, therefore new methods and technologies are needed. Today, data mining, is used for solving some of these problems and making future predictions. In this study; a decision tree application is developed for creating a credit policy by using data from a credit company. The application is developed on Oracle Data Miner and dynamical data preprocessing is done for creating the best model, and keeping the current model stable. Dynamical data processing is done automatically with some generated procedures. In addition, the success of data sets in decision tree and tuning of algorithm’s nodes over the model is discussed in the study. At the last stage of the study, the best model is applied and a decision-prediction mechanism is constructed for evaluation of the people’s case scoring for credit.

Keywords

• Data Optimization;Classification;Decision Tree;Dynamical Data Processing

Dinamik Verilere Yönelik Karar-Tahmin Mekanizması Oluşturulması

Abstract

Günümüzde, internetinde yaygın kullanımı ve veri depolamadaki manyetik ortamların teknoloji ile gelişmesi sonucu elimizde her sektörde sürekli büyüyen veri yığınları oluşmuştur. Depolanan verileri incelemek, analiz edip bilgi çıkarmak daha karmaşık hale gelmiş, bu da yeni yöntem ve teknolojilerin gelişmesi ihtiyacını ortaya çıkarmıştır. Bu amaçla, günümüzde mevcut problemleri çözmek, kritik kararları almak veya geleceğe yönelik tahminler yapmak için veri madenciliği yöntemi kullanılmaktadır. Bu çalışmada; kredi veren bir kurumun verileri kullanılarak, kredi politikaları oluşturmak için Oracle Data Miner üzerinde karar ağacı uygulaması geliştirilmiş, güvenilirliği yüksek bir karar-tahmin mekanizması oluşturmak için veri hazırlamanın, bunu her an aynı doğrulukta gerçekleştirip karar ağacı modelini sürekli güncel tutmak için ise dinamik veri hazırlamanın önemi ve yöntemleri üzerinde durulmuştur. Dinamik veri setlerinde modelin izlenerek yenilenmesi gerekeceğinden, tüm veri işleme adımlarının otomatik yapılması (dinamik veri hazırlama) sağlanmıştır. Ayrıca, karar ağacı veri setlerinin ve algoritma düğüm ayarlarının model başarısı üzerindeki etkisi değerlendirilmiştir. Son aşamada en iyilenmiş model uygulanmış ve karar ağacı kuralları ile kredi almak için gelenlerin durumlarını değerlendiren karar-tahmin mekanizması oluşturulmuştur.

Keywords

• Veri Optimizasyonu;Sınıflandırma;Karar Ağacı;Dinamik Veri Hazırlama

References

1. Han, J., Kamber, M.(2006). Data Mining: Concepts and Techniques (second edition), University of Illinois at Urbana-Champaign, Elsevier
2. Kaya, H., Köymen, K. (2008). Veri Madenciliği Kavramı ve Uygulama Alanları, Doğu Anadolu Bölgesi Araştırmalar, Kocaeli-İstanbul
3. Argüden, Y., Erşahin, B. (2008). Veri Madenciliği, Veriden Bilgiye, Masraftan Değere 1st Ed., İstanbul
4. Akgöbek, Ö., Çakır, F. (2009). Veri Madenciliğinde Bir Uzman Sistem Tasarımı, Akademik Bilişim’09, Harran Üniversitesi, Şanlıurfa
5. Data Mining Concepts 11g, Oracle Corporation, http://download.oracle.com/docs/ cd/B28359_01/ datamine.111/b28129/toc.htm, (May 2008).
6. Kayaalp, K. (2007). Asenkron Motorlarda Veri Madenciliği İle Hata Tespiti, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, Isparta
7. Data Mining Administrator's Guide, Oracle Corporation, http://download.oracle.com/ docs/cd/B28359_01/ datamine.111/b28130/ toc.htm, (August 2008).
8. Tan, P., Steinbach, M., Kumar, V. (2006). Introductionto Data Mining, University of Minnesota:Addisson-Wesley

9. Kamber, M., Winstone, L., Gong, W., Cheng, S., Han, J. (1997). Generalization and Decision Tree Induction: Efficient Classification in Data Mining, Simon Fraser University, B.C., Canada, V5A 1S6
10. Emel, G., Taşkın, Ç. (2000). Veri Madenciliğinde Karar Ağaçları ve Bir Satış Analizi Uygulaması, Osmangazi Üniversitesi Sosyal Bilimler Dergisi, Cilt 6 Sayı 2, Eskişehir Özekes, S., Çamurcu, Y. (2002). Veri Madenciliğinde Sınıflama ve Kestirim Uygulaması, Marmara Üniversitesi Fen Bilimleri Dergisi, 18, İstanbul
11. Ayık, Z., Özdemir, A., Yavuz, U., Liste Türü ve Lise Mezuniyet Başarısının, Kazanılan Fakülte İle İlişkisinin Veri Madenciliği Tekniği İle Analizi Doğan, Ş., Türkoğlu, İ. (2008). Iron-Deficiency Anemia Detection From Hematology Parameters By Using Decision Trees, International Journal of Science&Technology, Cilt 3, No 1, 85-92
12. Bozkır, A.S., Sezer, E. (2009). Usage of Data Mining Techniques in Discovering The Food Consumption Patterns of Students and Employees of University, Balkan-Kafkas ve Türk Devletleri Uluslararası Mühendislik Sempozyumu, 22-24 October, Isparta, 104-109
13. Güntürkün, F. (2007). A Comprehensive Review Of Data Mining Applications In Quality İmprovement And A Case Study, Yüksek Lisans Tezi, Middle East Technical University, Statistics
14. Gürsoy, Ş., Umman, T. (2010). Customer Churn Analysis in Telecommunication Sector, İstanbul University Journal of the School of Business Administration, Cilt 39, No 1, 35-49
15. Bozkır, A.S., Sezer, E., Gök, B. (2009).Öğrenci Seçme Sınavında (ÖSS) Öğrenci Başarımını Etkileyen Faktörlerin Veri Madenciliği Yöntemleriyle Tespiti, 5. Uluslararası İleri Teknolojiler Sempozyumu (IATS’09), 13-15 Mayıs, Karabük Üniversitesi, Karabük, 37-43
16. Albayrak, A.S., Yılmaz, Ş.K. (2009). Veri Madenciliği: Karar Ağacı Algoritmaları ve İMKB Verileri Üzerine Bir Uygulama, S.D.Ü. İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt 14, No 1, 31-52
17. Ankerst, M., Ester, M., Kriegel, H. P. (1999).Visual Classification: An Interactive Approach to Decision Tree Construction, 5th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Diego, California, USA, 392-396
18. Du, W., Zhan, Z. (2002). Building Decision Tree Classier on Private Data, Center for Systems Assurance Department of Electrical Engineering and Computer Science Syracuse University, Syracuse, NY 13244