MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE EKOLOJİK VERİLERİN DEĞERLENDİRİLMESİ

Abstract

Ekoloji, organik ve inorganik sistemler üzerinde çalışan doğa bilimcilerin bu sistemler ile ilgili karmaşık ilişkileri incelemesini, anlamasını ve bu ilişkilerden çıkarım yapmalarını amaçlayan bir bilim dalıdır. Bu karmaşık ilişkilerin anlaşılabilmesi ve ileriye dönük tahminlerin yapılabilmesi noktasında Makine Öğrenmesi teknikleri istatistiksel metotlara göre daha avantajlı olabilmektedir. Makine Öğrenmesi ile ekolojik sistemlere ait doğrusal olmayan, yüksek hacimli, fazla niteliğe sahip veya çok sayıda eksik veri içerebilen veri kümeleri, eğitim algoritmaları ile yapay öğrenme sürecinden geçirilip bu veri kümeleri ile ilgili kestirimler yapılabilmektedir. Bu tez çalışmasında, Makine Öğrenmesi' nde yaygın kullanılan Yapay Sinir Ağları, K-NN, K-Means, Naive Bayes, ve Karar Ağacı Sınıflandırma (ID3) yöntemlerinin, ekolojik verilerde ne şekilde kullanılabileceğinin anlaşılması amacıyla, ayrıca bu yöntemlerin daha iyi kavranmasını sağlamak için iki adet örnek veri kümesi, bu yöntemler kullanılarak değerlendirilmiştir. Bu beş yöntem de modellenerek geliştirilen bir deney ortamında test edilmiştir. Test süreçlerinde farklı parametreler kullanılmış ve seçilen bir doğrulama yöntemi üzerinden en iyi performans değerleri elde edilmeye çalışılmıştır. Sonuç olarak elde edilen performans değerleri, literatürde yaygın olarak kullanılan diğer algoritmaların performanslarına yakın olduğu gözlemlenmiştir.

Ecology is a scientific discipline that aims to allow natural scientists working on biotic and abiotic systems to study, understand, and inference complex relationships related to these systems. Machine learning techniques could be more profitable than statistical methods at the point where these complex relationships can be understood and prospective predictions can be made. With Machine Learning, the datasets which are nonlinear, high volume, have high amount attributes or can contain a large number of missing data that belong to ecological systems can be passed through the artificial learning process by using training algorithms and predictions can be made. In this thesis, two datasets are evaluated in order to understand how Artificial Neural Networks, K-NN, K-Means, Naïve Bayes, and Decision Tree Classification (ID3) methods which are widely used in Machine Learning can be used in ecological data. It is also aimed to have a better understanding of these methods. Five methods were tested in a designed and developed experiment set. In the testing processes, it has been tried to obtain the best performance values through a selected validation method by means of different parameters. In result, it was observed that the performance values were similar to those of other algorithms commonly used in the literature.