KABA KÜMELER YARDIMIYLA ÖNEMSİZ VE KAYIP TÜRDEKİ EKSİK VERİLERDEN BULANIK KURALLARIN ÇIKARILMASI

Abstract

Kaba küme teorisi, dogrulanmıs mantıga, tutarsızlık gösteren verilere ve kesin olmayan gizli çıkarımların kesfine izin veren matematiksel bir araçtır. Kaba kümeler, bulanık kümelerde oldugu gibi kesin sınırlamaları kabul etmeyen ve eksik, yetersiz ve belirsiz bilgileri düzenleyerek, veri analizi için uygun hale getiren yapılardır. Bu tez çalısmasında, kaba küme teorisi kullanılarak, eksik veri kümelerinden bilgi çıkarımı yapılmıstır. Eksik veri kümeleri, günümüzde en çok hastalık verilerinde bulunmaktadır. Bu verilerden kurallar çıkarmak hastalık teshisinde son derece önemlidir. Önemsiz ve kayıp olmak üzere, iki farklı tipte eksik veri içeren, bir veri kümesi ile çalısılmıstır. Nicel degerli eksik veri kümelerinden, kaba küme yaklasımı ile bulanık kurallar çıkaran bir algoritma ile bilgi çıkarımı saglanmıstır. Sadece önemsiz türde eksik nitelik içeren veri kümeleri için tanımlanmıs olan algoritma, bu tez çalısması sırasında hem önemsiz, hem de kayıp türde eksik niteligi birlikte içeren veri kümelerinde uygulanabilecek biçimde gelistirilmistir. Gelistirilen algoritma için tiroit hastalıgı verileri üzerinde çalısan bir uygulama yazılımı olusturulmustur. Eksik niteliklerin sayıları ve türleri üzerinde yapılan degisikliklerle elde edilen altı farklı durum için yazılım test edilmistir. Gelistirilen algoritmada, kesin kurallar da %100, olası kurallarda %91 basarı saglanmıstır. En düsük basarı oranları tüm nitelik degerlerinin kayıp türde oldugu durum için alınmıstır. Tüm eksik niteliklerin kayıp türde olmasının elde edilen kural sayısını arttırdıgı ve basarı oranında azalmaya neden oldugu sonucuna varılmıstır. Anahtar Kelimeler: Kaba küme teorisi, Eksik veri kümesi, Kayıp veri, Önemsiz veri, Bulanık KurallarRough set theory is a mathematical approach to imprecision, vagueness and uncertainty in data analysis. This study deals with the problem of producing a set of certain and possible fuzzy rules from incomplete quantitative data. In this thesis, knowledge extraction has been done from incomplete data sets using rough set theory. In the present, incomplete data mainly exist in medical data sets. It is extremely important to extract rules from these data for medical diagnosis. Through this thesis, a data set including two different incomplete data which are called as ?do not care? and ?lost? data was used. A novel algorithm has been proposed to extract fuzzy rules by rough sets from incomplete data with quantitative values, as apart from the previous studies which handle the only ?do not care? data or the only missing values. For this purpose, a software has been developed for evaluating the proposed algorithm on thyroid data set. The algorithm has been tested for six different cases which use various type and number of incomplete data. The experimental results demonstrates that the proposed algorithm provides the accuracy rate of 100% in certain rules and 91% in possible rules. The lowest accuracy rate has been obtained for the case in which all of incomplete values are lost. In such a case, as the number of rules increases, the accuracy rate decreases. Keywords: Rough set theory, incomplete data set, lost value, do not care value, fuzzy rules