Self-confıgurıng data mınıng for ubıquıtous computıng

Abstract

Mobil cihazlarda kullanılan yazılımlar otonom olmalı ve kendilerini yapılandırmak gibi elzem kararları verebilmelidirler. Ayrıca, mobil platformlarda veri madenciliğinin çeşitli uygulamalarda daha akıllı kararlar almaları doğrultusunda kullanılmaları önemlidir. Dolayısıyla, mobil cihazlarda veri madenciliğinin de otonom olması gereklidir. Bu tezde, mobil cihazlarda veri madenciliği algoritmalarını otomatik olarak yapılandırma konusunu ele aldık. Sunulan çözümde, konfigürasyon önerileri üretilirken cihazın kaynaklarının kullanımı ve cihazın kullanıldığı bağlam göz önüne alınmıştır çünkü mobil cihazların kullanıldıkları bağlam sıkça değişmektedir ve cihazın kaynakları da genellikle kısıtlıdır. Veri madenciliği algoritmasının önceki çalıştırılışlarından işleyiş modelinin çıkarılarak yapılandırılmasında kullanılmasını önermekteyiz. Bu amaçla iki farklı yöntem denenmiştir: Bayesian network ve decision tree classifier.Bayesian network kullanarak, cihazın kaynaklarının durumu, hangi bağlamda kullanıldığı ile veri madenciliği yapılandırma değerleri ve elde edilen performans arasındaki ilişki olasılıksal olarak gösterilmiştir. Bu bilgiye dayanarak, veri madenciliği uygulamasının ilerki çalıştırılışlarında mevcut duruma uygun yapılandırma kararları çıkarılmaktadır.Veri madenciliği algoritmasının işleyiş modelini çıkarmakta kullandığımız diğer yöntem ise decision tree classifier'dır. Cihaz kaynaklarının kullanım durumları ve cihazın hangi bağlamda kullanıldığı ile algoritma yapılandırmasının elde edilen veri modeli kalitesine etkisi decision tree yöntemiyle sınıflandırma yapılarak araştırılmıştır. Veri modeli kalitesi hiyerarşik olarak sınıflandırılmak suretiyle elde edilen olası veri madenciliği algoritması işleyiş modellerinden en yüksek tahmin doğruluğuna sahip olup aynı zamanda en özgül sınıflandırma yapan modeli seçmek için bir yöntem önerilmistir.Mobil cihazlarda çalışacak bir veri madenciliği algoritması işleyiş modelini oluşturan unsurlar tanımlanmış, yöntem association rule mining algoritması için örneklenmiş ve yöntemin kullanılabilirliği deneysel olarak gösterilmiştir.

Ubiquitous computing software needs to be autonomous so that essential decisions such as how to configure its particular execution are self-determined. Moreover, data mining serves an important role for ubiquitous computing by providing intelligence to several types of ubiquitous computing applications. Thus, automating ubiquitous data mining is also crucial. We focus on the problem of automatically configuring the execution of a ubiquitous data mining algorithm. In our solution, we generate configuration decisions in a resource-aware and context-aware manner. We propose to analyze the execution behavior of the data mining algorithm by mining its past executions. In order to extract the behavior model from algorithm's executions, we make use of two different data mining methods which are Bayesian network and decision tree classifier.Bayesian network is constructed in order to represent the probabilistic relationships among device's resource usage, context, algorithm parameter settings and the performance of data mining.Other data mining method that has been used is the decision tree classifier. The effects of resource and context states as well as parameter settings on the data mining quality are discovered through decision tree classifier. In this approach, a taxonomy is defined on data mining quality so that tradeoff between prediction accuracy and classification specificity of each behavior model that classifies by a different abstraction of quality, is scored for model selection.We formally define the behavior model constituents, instantiate the approach for association rules and validate the feasibility of the two of the approaches by the experimentation.