VERİ MADENCİLİĞİNDE BİRLİKTELİK KURALLARI

Yıl 2004, , 315 - 321, 10.06.2004

Ayşe Oğuzlar

https://doi.org/10.14783/maruoneri.678958

Cited By: 4

Öz

Veri madenciliği; istatistik, veri tabam teknolojisi, makine öğrenimi, örüntii tanıma, yapay zeka ve görselleştirmenin rol oynadığı disiplinler arası bir yaklaşımdır. Modelleme, veri madenciliğinin çok önemli bir aşamasıdır. Modelleme tekniklerinden biri de birliktelik kurallarıdır. Birliktelik kuralları, bir koşul kümesi ile kısmi bir sonuca ulaşma ile ilgilidir. Sürecin sonunda en iyi kuralların bir tablosu oluşmaktadır. Algoritmalar, kuralların bulunması için bir türetim ve test yöntemi kullanmaktadırlar. Birliktelik kural algoritmaları, görselleştirme teknikleri yolu ile ortaya çıkarılan birlikteliklerin, otomatik olarak bulunmasını sağlarlar. Apriori algoritması, birliktelik kuralları türetmek için kullanılan temel algoritmalardan biridir. Bu çalışmada DİE 2002 III. dönem hanehalkı işgücü anketi sonuçlan kullanılmıştır.Bu verilere Apriori algoritması uygulanmasıyla elde edilen sonuçlar açıklanmaya çalışılmıştır.

Anahtar Kelimeler

Veri Madenciliği, Birliktelik Kurallan, Apriori Algoritması

Kaynakça

• [1] ZHOU Z. (2002), “Three perspectives of data mining” Artificial Intelligence, 143 (2003).
• [2] HAN J. and KAMBER M. (2001), Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers, USA.
• [3] AKPINAR, H. (2000), “Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği” İ.Ü. İşletme Fakültesi Dergisi, C:29 S:l, s.1-22.
• [4] LUAN J. (2002), “Data Mining and Knowledge Management in Higher Education-Potential Applications” Presentation at AIR Forum, Toronto-Canada, pp.1-18.
• [5] DMS Tutorial - Problem Understanding, http://dms.irb.hr/tutorial/tut_prob_understand.php.
• [6] DMS Tutorial - Modelling techniques, http://dms.irb.hr/tutorial/tut_modelling.php.
• [7] HAND David, MANNİLA Heikki ve SMYTH Padhraic, Principles of Data Mining, MIT Press, USA, 2001.
• [8] ROIGER Richard J. ve GEATZ Michael W., Data Mining A Tutorial-Based Primer, Addison Wesley, USA, 2003.
• [9] GOEBEL M. and Gruenvvald L. (1999), “A Survey Of Data Mining And Knowledge Dıscovery Software Tools”, SIGKDD Explorations, Volüme: 1, Issue:l, USA.
• [10] KİM W., CHOI B„ HONG E., KİM S. And LEE D. (2003), “A Taxonomy of Dirty Data”, Data Mining and Knowledge Discovery, 7.
• [11] Celementine 7.0 User’s Guide, SPSS Inc., USA, 2002.