AĞIRLIKLI BAYES SINIFLANDIRICIDA AĞIRLIKLARIN OPTİMİZASYONU

Abstract

Teknolojinin hızla gelişmesi ve bununla birlikte artan veri miktarı, veri analizini güçleştirmektedir. Birçok işlemin elektronik ortamda kaydedilmesi, saklanabilmesi ve istenildiği zaman veriye erişilebilmesi önem kazanmaktadır. Veri işlenmediği sürece anlam ifade etmemektedir. Verilerin anlamlı bir bütün haline getirilebilmesi için veri madenciliğinden faydalanılmaktadır. Veri madenciliği büyük ölçekli veriler arasında bilgileri ayrıştırarak yararlı bilgilere ulaşılması ve bu verilerden gelecekle ilgili tahminde bulunabilmek için bağıntıların bilgisayar programı kullanılarak aranması işlemidir. Bu tez kapsamında, veri madenciliği sınıflandırma yöntemleri ve bu yöntemler arasında yer alan Bayes sınıflandırma algoritması incelenmiştir. Ayrıca Bayes sınıflandırma algoritmasının geliştirilmiş bir modeli olan Ağırlıklı Bayes algoritması da tez kapsamında incelenerek, bu yöntemde kullanılan ağırlıkların optimize edilmesi amaçlanmıştır. Bu amaçla öncelikle ağırlıkların hızlı bir şekilde bulunabilmesi için Hızlandırılmış Ağırlıklı Sade Bayes (Fasted Weighted Naive Bayesian- FW-NB) yöntemi önerilmiş ve daha sonra ağırlıkların optimizasyonu için Genetik Algoritma kullanılarak (Genetik Algoritma Tabanlı Ağırlıklı Sade Bayes- GAW-NB) ağırlıklar optimize edilmiştir. Tez kapsamında kullanılan yöntemler 5 farklı veri setine uygulanmış ve elde edilen sonuçlar karşılaştırmalı olarak değerlendirilmiştir. Elde edilen sonuçlardan FW-NB algoritması ile ağırlıkların daha hızlı bulunduğu ve GAW-NB algoritması ile performans değerinin W-NB algoritmasına göre daha yüksek olduğu sonucuna ulaşılmıştır. Anahtar Kelimeler: Veri Madenciliği, Sınıflandırma Algoritmaları, Bayes Algoritması, Ağırlıklı Sade Bayes Algoritması

The rapid development of the technology, along with the increasing amount of data, makes data analysis inconvenient. Today, it is important that many processes can be recorded, stored and accessed in an electronic environment. As long as the data are not processed, it does not make any sense. Data mining is used to make the data meaningful. Data mining is the process of retrieving useful information from large-scale data by separating the information among the large-scale data and retrieving the data by using a software to make predictions about the future. In this thesis, methods of data mining and Bayes classification algorithm are examined. The Weighted Bayes algorithm, which is an improved model of the Bayes classification algorithm, is also examined in the thesis and it is aimed to optimize the weights used in this method. For this purpose, we propose Fasted Weighted Naive Bayes (FW-NB) method to find weights quickly and then weights are optimized by using Genetic Algorithm (Genetic Algorithm Based Weighted Naive Bayes-GAW-NB) for the optimization of weights. The methods used in this thesis are applied on 5 different data sets and the results are evaluated comparatively. The results show that FW-NB algorithm is faster than W-NB algorithm and performance of GAW-NB algorithm is higher than W-NB. Key Words: Data Mining, Classification Algorithms, Bayes Algorithms, Weighted Naïve Bayes Algorithms