MAKİNE ÖĞRENMESİ ALGORİTMALARININ SINIFLAMA PROBLEMLERİ ÜZERİNDEN KARŞILAŞTIRILMASI: SATIŞ TAHMİNİ

Abstract

Amaç- Makine öğrenmesi, satış tahmini alanında sıkça kullanılmaktadır. İşletmeler, yeni bir ürünü piyasaya sunmadan önce geçmiş verilerinden birtakım analizler yaparak geleceğe yönelik kestirimler yapabilmektedir. Böylelikle, optimal sayıda ürün üreterek hem hammadde ve işgücü maliyetini hem de depolama, lojistik gibi maliyetlerin ortaya çıkarabileceği zararı en aza indirmeyi amaçlarlar. Ürünün hedef kitlesini belirleyerek bu doğrultuda satış stratejileri geliştirme imkânı bulurlar. Yöntem- Bu amaçla, çalışmamızda, makine öğrenmesi problemlerinden sınıflandırma problemleri ele alınmıştır. Satılması hedeflenen ürün ile aynı özelliklere sahip, daha önce piyasaya sunulmuş ürün verileri toplanmış, “ürün satıldı” ve “ürün satılmadı” şeklinde ikili sınıflandırma çalışması yapılmıştır. Denetimli öğrenme algoritmalarından k En Yakın Komşu, Naive Bayes ve Doğrusal Destek Vektör Makineleri kullanılan çalışmada, veri seti öğrenme seti ve test seti olarak bölünmüştür. Bulgular - Çalışma sonucu olarak, 0,71 doğruluk ile k En Yakın Komşu algoritması en yüksek doğruluğu sağlamıştır. Sonuç- Satış tahmini çalışmalarında makine öğrenmesi algoritmalarından k en yakın komşu algoritması görece daha iyi sonuçlar vermektedir.

Keywords

• Makine öğrenmesi
• k en yakın komşu
• naive bayes
• doğrusal destek vektör makineleri
• satış tahmini

COMPARISON OF MACHINE LEARNING ALGORITHMS OVER CLASSIFICATION PROBLEMS: SALES FORECASTING

Abstract

ABSTRACT Purpose- Machine learning is frequently used in the field of sales forecasting. Businesses can make predictions by analyzing some of their past data before launching a new product. Thus, by producing an optimal number of products, they aims to minimize both the cost of raw materials and labor, as well as the damage that can be instrinsed by costs such as storage and logistics. By identifying the target audience of the product, they have the opportunity to develop sales strategies in this way. Methodology- For this purpose, classification problems from machine learning problems were discussed in the study. Previously presented product data with the same characteristics as the product intended to be sold was collected, "product sold" and "product not sold" binary classification study was carried out. In the study, which used k Nearest Neighbor, Naive Bayes and Linear Support Vector Machines from supervised learning algorithms, the data set was divided into a training set and a test set. Findings- As a result of the study, the k Nearest Neighbor algorithm provided the highest accuracy with accuracy of 0.71. Conclusion- In sales prediction studies, the nearest neighbor algorithm from machine learning algorithms results in relatively better results.

Keywords

• Machine learning
• k nearest neighbor
• naive bayes
• linear support vector machines
• sales forecasting

References

1. Alpaydin, E. (2010). Introduction To Machine Learning (2nd Ed). Mit Press.
2. Ayan, B., Kuyumcu, B., & Ceylan, B. (2019). Twitter Üzerindeki Islamofobik Twitlerin Duygu Analizi Ile Tespiti. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım Ve Teknoloji, 7(2), 495-502. Https://Doi.Org/10.29109/Gujsc.561806
3. Bulut, F., & Osmani, S. (2017). Scene Change Detection Using Different Color Pallets And Performance Comparison. Balkan Journal Of Electrical And Computer Engineering, 66-72. Https://Doi.Org/10.17694/Bajece.336217
4. Çomak, E. (2008). Destek Vektör Makinelerinin Etkin Eğitimi Için Yeni Yaklaşimlar.
5. Demirbaş, F. P. (2011). Kombi Üretiminde Talep Tahmin Yöntemlerinin Uygulanmasi. Kocaeli Üniversitesi Fen Bilimleri Enstitüsü.
6. Erdal, H. (2015). Contribution Of Machine Learning Methods To The Construction Industry: Prediction Of Compressive Strength. Pamukkale University Journal Of Engineering Sciences, 21(3), 109-114. Https://Doi.Org/10.5505/Pajes.2014.26121
7. Ertuğrul, I., & Öztaş, T. (2016). Talep Tahminlerinde Bulanık Zaman Serilerinin Kullanılmasına Yönelik Işletme Uygulaması. 15.
8. Han, J., Kamber, M., & Pei, J. (2011). Data Mining Concepts And Techniques Third Edition (Third Edition). Morgan Kaufmann.

9. Hu, L.-Y., Huang, M.-W., Ke, S.-W., & Tsai, C.-F. (2016). The Distance Function Effect On K-Nearest Neighbor Classification For Medical Datasets. Springerplus, 5(1), 1304. Https://Doi.Org/10.1186/S40064-016-2941-7
10. Jadhav, S. D., & Channe, H. P. (2016). Comparative Study Of K-Nn, Naive Bayes And Decision Tree Classification Techniques. International Journal Of Science And Research (Ijsr), 5(1), 1842-1845. Https://Doi.Org/10.21275/V5i1.Nov153131
11. Khan, M., Ding, Q., & Perrizo, W. (2002). K-Nearest Neighbor Classification On Spatial Data Streams Using P-Trees. Advances In Knowledge Discovery And Data Mining, 2336, 517-528. Https://Doi.Org/10.1007/3-540-47887-6_51
12. Lewis, D. D. (1998). Naive (Bayes) At Forty: The Independence Assumption In Information Retrieval. Içinde C. Nédellec & C. Rouveirol (Ed.), Machine Learning: Ecml-98 (C. 1398, Ss. 4-15). Springer Berlin Heidelberg. Https://Doi.Org/10.1007/Bfb0026666
13. Mitchell, T. M. (2006). The Discipline Of Machine Learning.
14. Özdemir, A., & Özdemir, A. Talep Tahminlemesinde Kullanilan Yöntemlerin Karşilaştirilmasi: Seramik Ürün Grubu Firma Uygulamasi.
15. Saritas, M. M. (2019). Performance Analysis Of Ann And Naive Bayes Classification Algorithm For Data Classification. International Journal Of Intelligent Systems And Applications In Engineering, 7(2), 88-91. Https://Doi.Org/10.18201/Ijisae.2019252786
16. Talabani, H. M. (2019). The Performance Comparison Of Support Vector Machine Classification Kernel Functions On Medical Databases. Republic Of Turkey Firat University Graduate School Of Natural And Applied Science.
17. Weinberger, K. Q., Blitzer, J., & Saul, L. K. Distance Metric Learning For Large Margin Nearest Neighbor Classification. 8.