Veri Madenciliği: Karar Ağacı Algoritmaları ve İMKB Verileri Üzerine Bir Uygulama

Öz

Anahtar Kelimeler

• -

VERİ MADENCİLİĞİ: KARAR AĞACI ALGORİTMALARI VE İMKB VERİLERİ ÜZERİNE BİR UYGULAMA

Öz

Veri madenciliği, verilerden önceden bilinmeyen anlamlı bilgileri tanımlama ya da tahmin etme tekniklerini içermektedir. Çalışmada, İMKB 100 endeksinde sanayi ve hizmet sektörlerinde faaliyet gösteren 173 işletmenin 2004–2006 yıllarına ait yıllık finansal göstergelerinden yararlanarak veri madenciliği tekniklerinden birisi olan karar ağaçları tekniği uygulanmıştır. Seçilen finansal göstergelere göre sanayi ve hizmet sektörlerinde faaliyet gösteren firmaları ayıran en önemli değişkenler saptanmıştır

Anahtar Kelimeler

• Veri Madenciliği, CHAID Analizi, İMKB-100

Kaynakça

1. AGRAWAL, R., H. MANNILA, R. SRIKANT, H. TOIVONEN, ve A. I. VERKAMO, “Fast Discovery of Association Rules, Advances in Knowledge Discovery and Data Mining”, AAAI/MIT Press, Chapter 12, 1995.
2. AITKENHEAD, M. J., “A Co-Evolving Decision Tree Classification”, Expert Systems with Applications, 34, No. 1, 2008.
3. AKPINAR, Haldun, “Veri Tabanlarında Bilgi Keşfi ve Veri Madencili- ği”, İstanbul Üniversitesi İşletme Fakültesi Dergisi, 29, No. 1, 2000.
4. ALTINIŞIK, Umut, “Öğrenci Bilgi Sisteminde Veri Madenciliğinin Uygulanması”, Yayınlanmamış Yüksek Lisans Tezi, Kocaeli Üniversi- tesi Fen Bilimleri Enstitüsü, Kocaeli, 2006.
5. AYDOĞAN, Fatih, “E-Ticarette Veri Madenciliği Yaklaşımlarıyla Müş- teriye Hizmet Sunan Akıllı Modüllerin Tasarımı ve Gerçekleştirimi”, Yayınlanmamış Yüksek Lisans Tezi, Hacettepe Üniversitesi Fen Bilim- leri Enstitüsü, Ankara, 2003
6. BERRY, Michael J., “Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management”, John Wiley and Sons Incorporated, USA, 2004
7. BERSON, A., S. SMITH, ve K. THEARLING, “Building Data Mining Applications for CRM”, McGraw Hill, USA, 1999.
8. DOĞAN, Nurhan Ve Kazım ÖZDAMAR, “Chaid Analizi ve Aile Plan- laması ile İlgili Bir Uygulama”, Türkiye Klinikleri Tıp Bilimleri Der- gisi, 23, No. 5, 2003.

9. DOLGUN, M. Özgür, “Türkiye’deki Hastanelerin Veri Madenciliğiyle Gruplandırılması”, XI. Biyoistatistik Kongresi, 27 – 30 Mayıs, Malat- ya, 2008.
10. EDELSTEIN, Herb, “Mining Large Database - A Case Study”, Two Crows Corporation, 2000.
11. ELDER, J. F. ve D. PREGIPON, “A Statistical Perspective on KDD”, The 1st International Conference on Knowledge Discovery and Data Mining, 20–21 Ağustos, Montreal, s. 87–93, 1995.
12. ERKEN, Arzum, “Başlıca Fiyat Bazlı Oranların Hisse Senedi Getirisi Üzerindeki Etkileri ve İstanbul Menkul Kıymetler Borsası’nda Bir Uygu- lama”, Yayınlanmamış Yüksek Lisans Tezi, Ankara Üniversitesi Sos- yal Bilimler Enstitüsü, Ankara, 1998.
13. FAYYAD, Usama, Gregory PIATETSKY-SHAPIRO ve Padhraic SMYTH, “From Data Mining to Knowledge Discovery in Databases”, AI Magazine, 17, No.3, 1996.
14. FAYYAD, Usama, “Data Mining and Knowledge Discovery in Databases: Implications for Scientific Databases”, Ninth International Conference on Scientific and Statistical Database Management, 11– 13 Ağustos, Olympia, 1997.
15. FU, Yongjian, “Data Mining Tasks, Techniques and Applications”, No: 6648/97, IEEE, 1997.
16. GHOSH, A. ve B. NATH, “Multi-Objective Rule Mining Using Genetic Algorithms”, Information Sciences, 163, No. 1–3, 2004.
17. GROBLER, B. R., T.C. BISSCHOFF ve K.C. MOLOI, “The Chaid- Technique and the Relationship between School Effectiveness and Vari- ous Independent Variables”, International Studies in Educational Administration, 30, No. 3, 2002.
18. HAN, J. ve M. KAMBER, “Data Mining: Concepts and Techniques”, Morgan Kaufmann Publishers, USA, 2001.
19. HAND, David, Heikki MANILA ve Padhraic SYMTH, “Principles of Data Mining”, The MIT Press, London, 2001.
20. HASTIE, T., R TIBSHIRANI, ve J. FRIEDMAN, “The Elements of Statistical Learning; Data Mining, Inference and Prediction”, Springer Series in Statistics, USA, 2001.
21. HAUGHTON, Dominique ve Samer OULABI, “Direct marketing modeling with CART and CHAID”, Journal of Direct Marketing, 11, No. 4, 1999.
22. HEGLAND, Markus, “Data Mining Techniques”, Acta Numerica, Cambridge University Press, 2001.
23. İMAMOĞLU, Tuba, “Veri Madenciliğinde Karar Ağaçları ile Bir Öğ- renci Ders Başarısı Tahmin Aracı”, Yayınlanmamış Yüksek Lisans Tezi, Kocaeli Üniversitesi Fen Bilimleri Enstitüsü, Kocaeli, 2005.
24. İMKB (2007); www.imkb.gov.tr, (Erişim Tarihi:06.04.2007).
25. KLEISSNER, Charly, “Data Mining for Enterprise”, 31st Annual Hawai International Conference on System Screnes, 1060–3425/98, 1998.
26. KOLTAN YILMAZ, Şebnem, “Veri Madenciliği: İstanbul Menkul Kıymetler Borsası Örneği,” Yayınlanmamış Yüksek Lisans Tezi (Da- nışman: Yrd.Doç.Dr. Ali Sait ALBAYRAK), ZKÜ SBE, Zonguldak, 2008.
27. KOYUNCUGİL, Ali Serhan, “Borsa Şirketlerinin Sektörel Risk Profille- rinin Veri Madenciliğiyle Belirlenmesi”, Sermaye Piyasası Kurulu A- raştırma Raporu, Araştırma Dairesi, Ankara, 2007.
28. KOYUNCUGİL, Ali Serhan ve Nermin Özgülbaş, “İMKB’de İşlem Gören KOBİ’lerin Finansal Başarısızlığına Etki Eden Faktörlerin Veri Madenciliği İle Belirlenmesi,” 3. KOBİ ve Verimlilik Kongresi, 17–18 Kasım, İstanbul, 2006.
29. LAROSE, Daniel T., “Discovering Knowledge in Data: An Introduction to Data Mining”, John and Wiley Sons Incorporated, USA, 2005.
30. LAURA, Galguera, David LUNA ve M. Paz MENDEZ, “Predictive Segmentation in Action: Using CHAID to Segment Loyalty Card Hold- ers”, International Journal of Market Research, 48, No. 4, 2006.
31. MCCARTY, John A. ve Manoj HASTAK, “Segmentation Approaches in Data-Mining: A Comparison of RFM, CHAID and Logistic Regression”, Journal of Business Research, 60, No. 6, 2007.
32. MOSS, L.T. ve S. ATRE, “Business Intelligence Roadmap: The Complete Project Lifecycle for Decision-Support Applications”, Addi- son-Wesley Publishing, USA, 2003.
33. OLAFSSON, Sigurdur, Xiaonan LI ve Shuning WU, “Operations Re- search and Data Mining”, Europen Journal of Operational Research, 187, No. 3, 2008.
34. ÖZEKES, Serhat, “Veri Madenciliği Modelleri ve Uygulama Alanları”, İstanbul Ticaret Üniversitesi Dergisi, 2, No. 3, 2003
35. IİATETSKY-SHAPIRO, Gregory, “Knowledge Discovery in Real Data- bases: A Workshop Report”, AI Magazine, 11, No. 5, 1991.
36. PIRAMUTHU, Selwyn, “Evaluating Feature Selection Methods for Learning in Data Mining Applications”, European Journal of Opera- tional Research, 156, No. 2, 2004.
37. ROIGER, R. J. ve M. W. Geatz, “Data Mining A Tutorial-Based Primer”, Addison Wesley, USA, 2003.
38. SIMOUDIS, Evangelos, “Reality Check for Data Mining”, IEEE Ex- pert: Intellegent Systems and Their Applications, 11, No. 5, 1996.
39. SPSS, “AnwerTree Algorithm Summary”, SPSS White Paper, USA, 1999.
40. SUN, Jie ve Hui LI, “Data Mining Method for Listed Companies, Finan- cial Distress Prediction”, Knowledge-Based Systems, 21, No. 1, 2008.
41. TÜRE, Mevlut, Füsun TOKATLI ve İmran KURT, “Using Kaplan- Meirer Analysis Together With Decision Tree Methods (C&RT, CHAID, QUEST, C4.5 and ID3) In Determining Recurrence-Free Survival of Breast Cancer Patients”, Expert Systems With Applications, Article in Pres, 2008.
42. VAHAPLAR, Alper, “Bir Coğrafi Veri Madenciliği Uygulaması”, Ya- yınlanmamış Yüksek Lisans Tezi, Ege Üniversitesi Fen Bilimler Ensti- tüsü, İzmir, 2003.
43. VAN DIEPEN, Merel ve Philip Hans FRANSES, “Evaluating Chi- Squared Automatic Interaction Detection”, Informatıon Systems, 31, No. 8, 2006.
44. ZIARKO, W., “The Discovery, Analysis, and Representation of Data Dependencies in Databases, Knowledge Discovery in Databases”, AAAI/MIT Press, 1991.