Öz
Yapay zekâ
bilgisayarların insanların düşünce sistemlerini taklit ederek karmaşık
problemlere çözüm üretebilme yeteneklerine verilen addır. Makine öğrenmesi ise
yapay zekânın önemli bir alt dalıdır. Makine öğrenmesi, çeşitli görevlerin
öğrenilmesi, mantıksal ve ikili çıkarımlar yoluyla otomatik hesaplama
yöntemlerini kapsayan bir süreç olarak ele alınabilir. R yazılımı pek çok
istatistiksel hesaplamanın yanı sıra makine öğrenmesi algoritmasında ki
başarısıyla da ön plana çıkmaktadır. Bu çalışmada R yazılımının sınıflandırma
amacıyla kullandığı çeşitli makine öğrenmesi algoritmalarının performansları
karşılaştırılmıştır. Bu amaçla, UCI Makine Öğrenme Havuzundan, elde edilen
gerçek verilere çeşitli makine öğrenme algoritmaları uygulanmış ve
sınıflandırma algoritmaları birkaç kriter kullanılarak karşılaştırılmıştır.
Hesaplanan kriterlerden olan; kesinlik, doğruluk, duyarlılık ve F ölçütü
hareketle, sınıflandırma tekniklerinin kıyaslanması yapılmıştır. Yapılan
karşılaştırmalar sonucunda, üç kriterde en iyi sınıflandırmayı yapan Lojistik
Regrasyon algoritmasının diğer algoritmalara göre daha başarılı olduğu görülmüştür.
Tüm ölçütlerden en iyi ikinci performansı gösteren algoritma Navie Bayes
algoritması olmuştur.
Anahtar Kelimeler
Makine Öğrenmesi Denetimli Öğrenme R Programlama Lojistik Regresyon Navie Bayes
Kaynakça
- A. Charitou, E. Neophytou ve C. Charalambous,“Predicting corporate failure: empirical evidence for the UK”, European Accounting Review, 13(3), 465-497, 2004. B. İbrahim Sevindi, "Türkçe Metinlerde Denetimli ve Sözlük Tabanlı Duygu Analizi Yaklaşımlarının Karşılaştırılması" Yüksek Lisans Tezi, 2013.
- Chandra B, Gupta M ve Gupt MP. “Robust approach for estimating probabilities in Naive-Bayes classifier”. Pattern Recognition and Machine Intelligence. Kolkata, India, 18-22 December 2007.
- Çetin KAYA, Oktay YILDIZ, “Makine Öğrenmesi Teknikleriyle Saldırı Tespiti: Karşılaştırmalı Analiz” Marmara Fen Bilimleri Dergisi 2014,3:89-104.
- D Michie, D J Spiegelhalter ve C C Taylor, Machine Learning, Neural and Statistical Classification, Overseas Press, 1994.s.3.
- Ensar Arif SAĞBAŞ, Serkan BALLI, “Akıllı telefon algılayıcıları ve makine öğrenmesi kullanılarak ulaşım türü tespiti”, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 22(5), 376-383, 2016.
- Ethem Alpaydın, Introduction to Machine Learning Second Edition., The MIT Press, Cambridege, 2010, s.4.
- M. Erdal BALABAN, Elif KARTAL, Veri Madenciliği ve Makine Öğrenmesi Temel Algoritmaları ve R Dili ile Uygulamaları, Çağlayan Kitabevi, İstanbul, 2015.
- Lara OD, Pérez AJ, Labrador MA ve Posada JD. “Centinela: A human activity recognition system based on acceleration and vital sign data”. Pervasive and Mobile Computing, 8(5), 717-729, 2012.
- P. Cortez, A. Silva. Using Data Mining to Predict Secondary School Student Performance. In A. Brito and J. Teixeira Eds., Proceedings of 5th FUture BUsiness TEChnology Conference (FUBUTEC 2008) pp. 5-12, Porto, Portugal, April, 2008.
- S. Y. Wu ve E. Yen, "Data mining-based intrusion detectors", Expert Systems with Applications, vol. 36, no. 3, pp. 5605-5612, 2009.
- S. Wu ve W. Banzhaf, «The Use of Computational Intelligence in Intrusion Detection Systems: A Review,» Applied Soft Computing, cilt 10, no. 1, pp. 1-35, 2010.
- Sinan Aydın ve Ali Ekrem Özkul, ‘Veri Madenciliği Ve Anadolu Üniversitesi Açıköğretim Sisteminde Bir Uygulama’, Eğitim ve Öğretim Araştırmaları Dergisi, Ankara, Cilt 4, Sayı 3, 2015, s. 38.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Bölüm | Makaleler |
| Yazarlar | |
| Yayımlanma Tarihi | 22 Mart 2018 |
| Gönderilme Tarihi | 14 Mart 2018 |
| Yayımlandığı Sayı | Yıl 2018 |