Bir iplik üretim tesisinde nitelik seçimi ve sınıflandırma ile iplik kalitesinin belirlenmesi

Öz

Günümüzde bilgisayar teknolojisi hızla ilerlemekte, bilgisayar kapasiteleri artmakta, bu da bilgi kaydı yapılan alan sayısını artırarak veriye ulaşmayı kolaylaştırmaktadır. Ancak üretilen ve kaydedilen veriler tek başlarına bir anlam ifade etmemekte, belli bir amaç doğrultusunda işlendiği zaman anlamlı hale gelmektedir. Ham veriyi anlamlı bilgiye dönüştürme işlemleri ise veri madenciliği ile yapılabilmektedir. Bu çalışmada bir iplik üretim tesisinde veri madenciliği yöntemlerinden biri olan sınıflandırma ile kural çıkarımı gerçekleştirilmiştir. Sınıflandırma öncesinde iplik kalitesine etki eden nitelikler belirlenmiş, Taguchi deneysel tasarım yöntemi ile etkin nitelikler tespit edilerek nitelik seçimi yapılmıştır. Kural çıkarımı aşaması ise hem yanlış sınıflandırma hataları sayısını en küçüklemeyi amaçlayan maliyete-duyarsız, hem de beklenen yanlış sınıflandırma maliyetini en küçüklemeyi amaçlayan maliyete-duyarlı sınıflandırma şeklinde uygulanmıştır. Sınıflandırma ile kural çıkarımı için Weka 3.8.1 ve MT-VeMa 1.0 paket programları kullanılmıştır. Elde edilen kurallar, kaliteli iplik üretimi için işletmeye yol gösterici özellikte olmuştur. Bu çalışma ile veri madenciliği ve deneysel tasarım uygulamalarının, bir tekstil şirketinde gerçek verilerle nasıl sonuca ulaştığı gösterilmiş ve ilgili sürece katkıda bulunulmuştur.

Anahtar Kelimeler

• Nitelik seçimi,Taguchi deneysel tasarım yöntemi,Veri madenciliği,Sınıflandırma

Determining the yarn quality by feature selection and classification in a yarn production facility

Abstract

Nowadays, computer technology is rapidly advancing, computer capacities are increasing, which makes it easier to reach the database by increasing the number of information recording areas. However, when the produced and recorded data are meaningless on their own, they become meaningful when processed for a certain purpose. Converting raw data to meaningful information can be done by data mining. In this study, rule extraction is realized in a yarn production facility by classification which is one of the data mining methods. Prior to classification, the features that affect the yarn quality are determined, and feature selection is realized by choosing the effective features by Taguchi experimental design method. Rule extraction phase is applied for both cost-insensitive classification that aims to minimize the number of misclassification errors and cost-sensitive classification that aims to minimize the expected misclassification cost. For rule extraction Weka 3.8.1 and MT-VeMa 1.0 package programs are used. The resulting rules guide the firm for producing qualified yarns. This study presents how data mining and experimental design applications at a textile firm have been achieved with actual data and the contributions to the processes of the firm.

Keywords

• Feature selection,Taguchi experimental design,Data mining,Classification

Kaynakça

1. Kalikov A. Veri Madenciliği ve Bir e-ticaret Uygulaması. Yüksek Lisans Tezi, Gazi Üniversitesi, Ankara, Türkiye, 2006.
2. Thuraisingham BM. Web Data Mining and Applications in Business Intelligence and Counter Terrorism. Boca Raton, FL, USA, CRC Press LLC, 2003.
3. Zhou Z. “Three perspectives of data mining”. Artificial Intelligence, 143(1), 139-146, 2002.
4. Savaş S, Topaloğlu N, Yılmaz M. “Veri madenciliği ve Türkiye’deki uygulama örnekleri”. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 21, 1-23, 2012.
5. İnan O. Veri Madenciliği. Yüksek Lisans Tezi, Selçuk Üniversitesi, Konya, Türkiye, 2003.
6. Ye N. The Handbook of Data Mining. 1st ed. Mahwah, NJ, USA, Lawrence Erlbaum, 2003.
7. Ranjit KR. A primer on the Taguchi method. New York, USA, Van Nostrand Reinhold, 1990.
8. Güral G. Gaz kaynağında proses parametrelerinin optimizasyonu. Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi, İzmir, Türkiye, 2003.

9. Lee JH, Yeh WC, Chuang MC. “Web page classification based on a simplified swarm optimization”. Applied Mathematics and Computation, 270, 13-24, 2015.
10. Chuang LY, Yang CH, Wu KC, Yang CH. “A hybrid feature selection method for DNA microarray data”. Computers in Biology and Medicine, 41, 228-237, 2011.
11. Kim YJ, Heo J, Park KS, Kim S. “Proposition of novel classification approach and features for improved real-time arrhythmia monitoring”. Computers in Biology and Medicine, 75, 190-202, 2016.
12. Tapkan P, Özbakır L, Baykasoğlu A, Kulluk S. “A cost sensitive classification algorithm: BEE-Miner”. Knowledge-Based Systems, 95, 99–113, 2016.
13. Zadrozny B, Elkan C. “Learning and making decisions when costs and probabilitiesare both unknown”. 7th International Conference on Knowledge Discovery and Data Mining, San Francisco, CA, USA, 26-29 August 2001.
14. Tapkan P, Özbakır L, Baykasoğlu A. “Weka ile veri madenciliği süreci ve örnek uygulama”. Endüstri Mühendisliği Yazılımları ve Uygulamaları Kongresi, İzmir, Türkiye, 30 Eylül -1/2 Ekim 2011.
15. Frank E, Witten IH. “Generating accurate rule sets without global optimization”. 15th International Conference on Machine Learning, Madison, Wisconsin, USA, 24-27 July 1998.
16. Quinlan JR. C4.5: Programs for Machine Learning. San Francisco, CA, USA, MorganKaufmann, 1993.
17. Breiman L, Friedman J, Stone CJ, Olshen RA. Classification and Regression Trees. Monterey, California, USA, Wadsworth, 1984.
18. Cohen W. “Fast effective rule induction”. 12th International Conference on Machine Learning, Tahoe City, California, USA, 9-12 July 1995.
19. Kohavi R. “Scaling up the accuracy of naive-bayes classifiers: A decision-tree hybrid”. 2nd International Conference on Knowledge Discovery and Data Mining, Portland, Oregon, USA, 2–4 August 1996.
20. Kohavi R. “The power of decision tables”. 8th European Conference on Machine Learning, Heraclion, Crete, Greece, 25-27 April 1995.
21. Domingos P. “MetaCost: A general method for making classifiers cost-sensitive”. 5th International Conference on Knowledge Discovery and Data Mining, San Diego, CA, USA, 15-18 August 1999.
22. Kulluk S, Özbakır L, Baykasoğlu A, Tapkan P. “Cost-sensitive meta-learning classifiers: MEPAR-miner and DIFACONN-miner”. Knowledge-Based Systems, 98, 148–161, 2016.
23. Pham DT, Ghanbarzadeh A, Koç E, Otri S, Rahim S, Zaidi M. “The bees algorithm-A novel tool for complex optimisation problems”. Proceedings of Innovative Production Machines and Systems Virtual Conference, Cardiff, UK, 3–14 July 2006.