Veri Madenciliği Birliktelik Kuralları Yöntemi Kullanarak Binaların Risk Durumlarının Belirlenmesi
Öz
Günümüzde üretilen verilerin hacimleri ve çeşitlilikleri arttıkça büyük veriye yönelik ilgi de artmaktadır. Çok çeşitli verinin analiziyle anlamlı sonuçlar elde edilmesine yönelik teknikler veri madenciliği kavramını ifade etmektedir. Veri madenciliğinin temel tekniklerinden biri olan Birliktelik Kuralları, farklı olayların birlikte gerçekleşebilme durumlarının tespit edilmesidir. Oluşturulan veri setinin analizi sonucunda veriler arasında bulunan birliktelik bağıntılarının elde edilmesi yani bir ya da birkaç durum var ise sonucunda belli durumlar olabilir şeklinde çıkarımlarda bulunulabilmektedir.
Bu çalışmada Düzce ili Kaynaşlı ilçesinde yer alan 2112 binaya ait deprem riski puanlama verileri kullanılmıştır. Bu veriler binalar ile ilgili kat yüksekliği, kullanım durumu, bina malzemesi, 1999 depremi öncesi yada sonrası inşa durumu ve elde edilen risk puanları ile birlikte eğim, jeoloji, taşıma gücü, zemin titreşim, zemin sınıfı, zemin büyütme ve yer altı suyu altlık haritalarının binaların konumlarıyla kesiştirilmesi sonucunda coğrafi bilgi sistemleri kullanılarak elde edilen veriler ile bir veri seti oluşturulmuştur. Bu veri seti kullanılarak veri madenciliği araçlarından Orange ve Weka ile birliktelik kuralları çıkarılmıştır. Elde edilen sonuçlara göre bir binanın yerel deprem puanı 93.5’den büyük ve zemin titreşimi 0.10-0.20 aralığında ise düşük riskli, bina 2 katlı ve düşük riskli ise yerel deprem puanı 93.5’den büyük ve meskendir gibi çıkarımlar yapılabilmektedir. Birliktelik kurallarının kullanımı ile mevcut verilerin birbiri ile ilişki durumları ortaya çıkarılabilmektedir.
Anahtar Kelimeler
Birliktelik Kuralları,veri madenciliği,yerel deprem puanı,coğrafi bilgi sistemleri,kaynaşlı
References
- [1] R. Amornchewin and W. Kreesuradej, “Probability-based incremental association rule discovery algorithm,” Proceedings - International Symposium on Computer Science and Its Applications, CSA 2008, pp. 212–215, 2008.
- [2] J. K. Chahal, “Finding Association Rules in Medical Datasets,” no. April, 2019.
- [3] Y. Shen, J. Liu, and J. Shen, “The further development of Weka base on positive and negative association rules,” 2010 International Conference on Intelligent Computation Technology and Automation, ICICTA 2010, vol. 3, pp. 811–814, 2010.
- [4] K. Rameshkumar, M. Sambath, and S. Ravi, “Relevant association rule mining from medical dataset using new irrelevant rule elimination technique,” 2013 International Conference on Information Communication and Embedded Systems, ICICES 2013, pp. 300–304, 2013.
- [5] R. Agrawal, T. Imieliński, and A. Swami, “Mining association rules between sets of items in large databases,” ACM SIGMOD Record, vol. 22, no. 2, pp. 207–216, Jun. 1993.
- [6] Y. Zhong and Y. Liao, “Research of mining effective and weighted association rules based on dual confidence,” Proceedings - 4th International Conference on Computational and Information Sciences, ICCIS 2012, pp. 1228–1231, 2012.
- [7] J. Feng, Q. Zeng, and Z. Zhang, “A method of mining the meta-association rules for dynamic association rule based on the model of AR-markov,” NSWCTC 2010 - The 2nd International Conference on Networks Security, Wireless Communications and Trusted Computing, vol. 2, pp. 210–214, 2010.
- [8] S. Naredi and R. A. Deshmukh, “Improved extraction of quantitative rules using Best M Positive Negative Association Rules Algorithm,” 2015 IEEE International Conference on Electronics, Computing and Communication Technologies, CONECCT 2015, pp. 1–5, 2016.
- [9] X. Piao, Z. Wang, and G. Liu, “Research on mining positive and negative association rules based on dual confidence,” Proceedings - 5th International Conference on Internet Computing for Science and Engineering, ICICSE 2010, pp. 102–105, 2011.
- [10] W. Ouyang and Q. Huang, “Mining direct and indirect weighted fuzzy association rules in large transaction databases,” 6th International Conference on Fuzzy Systems and Knowledge Discovery, FSKD 2009, vol. 3, pp. 128–132, 2009.
