KEDİ SÜRÜSÜ OPTİMİZASYON ALGORİTMASIYLA DOĞRU VE ANLAŞILABİLİR NÜMERİK SINIFLANDIRMA KURALLARININ OTOMATİK KEŞFİ

Yıl 2016, Cilt: 31 Sayı: 4, 0 - 0, 14.12.2016

Bilal Alataş , Sinem Akyol

https://doi.org/10.17341/gazimmfd.278440

Cited By: 1

Öz

Metasezgisel algoritmalar, büyük boyutlu optimizasyon problemleri için, kabul edilebilir sürede optimuma yakın çözümler verebilen algoritmalardır. Genel amaçlı metasezgisel optimizasyon algoritmaları;  biyoloji tabanlı, fizik tabanlı, sürü tabanlı, sosyal tabanlı, müzik tabanlı, spor tabanlı ve kimya tabanlı olmak üzere yedi farklı grupta değerlendirilmektedir. Sürü zekâsı tabanlı optimizasyon algoritmaları kuş, balık, kedi ve arı gibi canlı sürülerinin hareketlerinin incelenmesiyle geliştirilmiştir.

Veri madenciliği, büyük ölçekli verilerden anlamlı ve faydalı bilginin keşfedilmesi işlemidir. Sınıflandırma kurallarının madenciliği üzerinde en çok çalışılan veri madenciliği problemlerinden biridir ve bu problemde veri kümelerinden kullanıcıların rahatça anlayabileceği kurallar çıkarılmaktadır.

Bu çalışmada, en güncel sürü zekâsı optimizasyon algoritmalarından Kedi Sürüsü Optimizasyonu (KSO) bildiğimiz kadarıyla ilk kez nümerik ya da karışık tipte verilerden oluşan veritabanlarında sınıflandırma kurallarının otomatik keşfinde kullanılmıştır. Kuralda yer alabilecek ilgili niteliklerin doğru aralıkları için bir ön işlem kullanılmamış, kurallarla birlikte otomatik olarak bulunması da KSO tarafından sağlanmıştır. Ayrıca, kullanılan amaç fonksiyonu çok esnektir ve farklı amaçlar kolaylıkla fonksiyona entegre edilebilir. Bu amaçla, UCI veri ambarından alınan 4 adet veritabanı kullanılmış; doğru ve anlaşılabilir sınıflandırma kuralları keşfedilmiştir. Bulunan sonuçlarla Weka programından elde edilen sonuçlar karşılaştırılmıştır. KSO algoritması üzerinde herhangi bir iyileştirme yapılmadığı ve bu alanda ilk kez kullanıldığı halde, elde edilen sonuçların umut verici olduğu gözlenmiştir.

Anahtar Kelimeler

Kedi sürüsü optimizasyonu, sınıflandırma; veri madenciliği

Kaynakça

• Alataş B., Akın E., Sınıflandırma Kurallarının Karınca Koloni Algoritmasıyla Keşfi, ELECO'2004, Bursa, 357-361, Aralık, 2004.
• Özkan Y., Veri Madenciliği Yöntemleri, Papatya Yayıncılık Eğitim, 2008.
• Ga, D., Boullé M., A Bayesian Approach for Classification Rule Mining in Quantitative Databases, Machine Learning and Knowledge Discovery in Databases, Springer Berlin Heidelberg, 243-259, 2012.
• ] Olmo J. L., Romero J. R., Ventura S., Classification Rule Mining Using Ant Programming Guided by Grammar with Multiple Pareto Fronts, Soft Computing, 16(12), 2143-2163, 2012.
• Changpetch P., Lin D. K., Interestingness Measures for Classification Rule Mining: Model Selection Ability, International Journal of Computer Science Issues (IJCSI), 12(4), 76, 2015.
• Al-diabat M., Arabic Text Categorization Using Classification Rule Mining, Applied Mathematical Sciences, 6(81), 4033-4046, 2012.
• Jacques J., Taillard J., Delerue D., Dhaenens C., Jourdan L., Conception of a Dominance-based Multi-Objective Local Search in the Context of Classification Rule Mining in Large and Imbalanced Data Sets, Applied Soft Computing, 34, 705-720, 2015.
• Cano A., Zafra A., Ventura S., An Interpretable Classification Rule Mining Algorithm, Information Sciences, 240, 1-20, 2013.
• Mishra B. S. P., Addy A. K., Roy R., Dehuri S., Parallel Multi-Objective Genetic Algorithms for Associative Classification Rule Mining, Proceedings of the 2011 International Conference on Communication, Computing & Security, ACM, 409-414, 2011.
• Salama K. M., Abdelbar A. M., Otero F. E., Freitas A. A., Utilizing Multiple Pheromones in an Ant-based Algorithm for Continuous-Attribute Classification Rule Discovery, Applied Soft Computing, 13(1), 667-675, 2013.
• Haltaş A., Alkan A., Karabulut M., Metin Sınıflandırmada Sezgisel Arama Algoritmalarının Performans Analizi, Journal of the Faculty of Engineering and Architecture of Gazi University, 30(3), 417-427, 2015.
• Köklü M., Kahramanlı H., Allahverdi, N., Sınıflandırma Kurallarının Çıkarımı için Etkin ve Hassas Yeni Bir Yaklaşım, Journal of the Faculty of Engineering and Architecture of Gazi University, 29(3), 477-486, 2014.
• Chu S. C., Tsai P. W., Pan J. S., Cat Swarm Optimization, 9th Pacific Rim International Conference on Artificial Intelligence, LNAI, 4099, 854-858, 2006.
• Santosa B., Ningrum M.K., Cat Swarm Optimization for Clustering, International Conference of Soft Computing and Pattern Recognition, 54-59, 2009.
• Wang Z. H., Chang C. C., Li M. C., Optimizing Least-Significant-Bit Substitution Using Cat Swarm Optimization Strategy, Information Sciences, 10.1016/j.ins.2010.07.011, 2010.
• Hwang J. C., Chen J. C., Pan J. S., Huang Y.C., CSO and PSO to Solve Optimal Contract Capacity for High Tension Customers, International Conference on Power Electronics and Drive Systems, 246-251, 2009.
• Lin K. C., Chien H. Y., CSO-Based Feature Selection and Parameter Optimization for Support Vector Machine, Joint Conferences on Pervasive Computing, 783-788, 2009.
• Kalaiselvan G., Lavanya A., Natrajan V., Enhancing the Performance of Watermarking Based on Cat Swarm Optimization Method, International Conference on Recent Trends in Information Technology, 1081-1086, 2011.
• Wang W., Wu J., Emotion Recognition Based on CSO&SVM in E-Learning, Seventh International Conference on Natural Computation, 1, 566-570, 2011.
• Tsai P. W., Pan J. S., Chen S.M., Liao B.Y., Hao S.P., Parallel Cat Swarm Optimization, International Conference on Machine Learning and Cybernetics, 6, 3328-3333, 2008.
• Pradhan P. M., Panda G., Solving Multiobjective Problems Using Cat Swarm Optimization, Expert Systems with Applications, 39(3), 2956-2964, 2012.
• Wang Z. H., Chang C. C., Li M. C., Optimizing Least-Significant-Bit Substitution Using Cat Swarm Optimization Strategy, Information Sciences, 192, 98-108, 2012.
• Naresh G., Ramalinga Raju M., Narasimham S. V. L., Enhancement of Power System Stability Employing Cat Swarm Optimization based PSS, 2015 International Conference on Electrical, Electronics, Signals, Communication and Optimization (EESCO), IEEE, 1-6, 2015.
• Kong L., Pan J. S., Tsai P. W., Vaclav S., Ho, J. H., A Balanced Power Consumption Algorithm Based on Enhanced Parallel Cat Swarm Optimization for Wireless Sensor Network, International Journal of Distributed Sensor Networks, 2015.
• Saha S. K., Ghoshal S. P., Kar R., Mandal D., Cat Swarm Optimization Algorithm for Optimal Linear Phase FIR Filter Design, ISA Transactions, 52(6), 781-794, 2013.
• Kumar D., Samantaray S. R., Kamwa I., Sahoo N. C., Reliability-Constrained based Optimal Placement and Sizing of Multiple Distributed Generators in Power Distribution Network Using Cat Swarm Optimization, Electric Power Components and Systems, 42(2), 149-164, 2014.
• Majumder P., Eldho T. I., A New Groundwater Management Model by Coupling Analytic Element Method and Reverse Particle Tracking with Cat Swarm Optimization, Water Resources Management, 30(6), 1953-1972,2016.
• Meziane R., Amara M., Hamzi A., Boufala S., Hybrid Solar Gas Reliability Optimization Using Cat Swarm Optimization Under Performance and Cost Constraints, 2015 International Conference on Renewable Energy Research and Applications (ICRERA), Palermo, IEEE, 252-257, November, 2015.
• Dong L., Yuxiang H., Qiang F., Imran K. M., Song C., Yinmao Z., Optimizing Channel Cross Section in Irrigation Area using Improved Cat Swarm Optimization Algorithm, International Journal of Agricultural and Biological Engineering, 9(5), 76-82, 2016.
• Lin K. C., Zhang K. Y., Huang Y. H., Hung J. C., Yen N., Feature Selection based on an Improved Cat Swarm Optimization Algorithm for Big Data Classification, The Journal of Supercomputing, 72(8), 1-12, 2016.
• Yang F., Ding M., Zhang X., Hou W., Zhong C., Non-Rigid Multi-Modal Medical Image Registration by Combining L-BFGS-B with Cat Swarm Optimization, Information Sciences, 316, 440-456, 2015.
• Guo L., Meng Z., Sun Y., Wang L., Parameter Identification and Sensitivity Analysis of Solar Cell Models with Cat Swarm Optimization Algorithm, Energy Conversion and Management, 108, 520-528, 2016.
• Mohapatra P., Chakravarty S., Dash P. K., Microarray Medical Data Classification using Kernel Ridge Regression and Modified Cat Swarm Optimization based Gene Selection System, Swarm and Evolutionary Computation, 28, 144-160, 2016.
• Chu S. C., Tsai P. W., Computational Intelligence Based on The Behavior of Cats, International Journal of Innovative Computing, Information and Control, 3, 163-173, 2007.
• UCI Machine Learning Repository. Ecoli veritabanı. http://archive.ics.uci.edu/ml/datasets/Ecoli. Erişim tarihi 20 Haziran 2014.
• UCI Machine Learning Repository. Diabet veritabanı. http://archive.ics.uci.edu/ml/datasets/Diabetes. Erişim tarihi 1 Eylül 2014.
• UCI Machine Learning Repository. BUPA Liver Disorders veritabanı. http://archive.ics.uci.edu/ml/datasets/Liver+Disorders. Erişim tarihi 1 Kasım 2014.
• KEEL. New Thyroid veritabanı. http://sci2s.ugr.es/keel/dataset.php?cod=66. Erişim tarihi 20 Kasım 2014.
• Weka veri madenciliği programı. http://www.cs.waikato.ac.nz/~ml/weka/. Erişim tarihi 20 Haziran 2014.
• Holt R. C., Very Simple classification rules perform well on most commonly used datasets, Machine Learning, 11, 69-90, 1993.
• Novakovic J., Minic M., Veljovic A., Genetic Search for Feature Selection in Rule Induction Algorithms, 18th Telecommunications forum TELFOR, Serbia, Belgrade, November 23-25, 2010.
• Witten I.H., Frank E., Weka machine learning algorithms in java, in Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations, Morgan Kaufmann , 265-320, 2000.
• Cohen W.W., Fast Effective Rule Induction, Twelfth International Conference on Machine Learning, Morgan Kaufmann, 115-123, 1995.