Mastitis hastalığının teşhisi için guguk kuşu algoritması kullanılarak kural tabanlı sınıflandırma algoritması geliştirilmesi

Abstract

Son yıllarda doğadan esinlenme yoluyla, problem uzayı içerisinde çözüm arayan ve yerel optimumlara takılma oranı azaltılmış başarılı sürü zekalı optimizasyon algoritmaları geliştirilmiştir. Guguk kuşu algoritması bu anlamda bu tür algoritmalar için oldukça iyi bir örnektir. Optimizasyon algoritmaları genellikle analitik çözümü zor olan problemler üzerinde uygulandığından sınıflandırma gibi makine öğrenmesi yöntemlerinde de en iyileme amaçlı kullanılmaktadır. Bu çalışmada Guguk Kuşu Algoritması kullanılarak kural tabanlı bir sınıflandırma algoritması geliştirilmiştir. Geliştirilen algoritma süt sığırlarında görülen, süt üretiminde büyük ekonomik zararlara yola açan ve tesbit edilmesi klasik yöntemlerle oldukça zor olan mastitis hastalığının erken dönemde teşhisi amaçlı kullanılmıştır. Oluşturulan algortimanın C#.NET programlama dili kullanılarak yazılımı gerçekleştirilmiştir. Yazılım mastitis hastalığı teşhisi için bilgisayarlı ortamda süt üretimi yapılan bir işletmeden elde edilen gerçek veri seti üzerine uygulanmıştır. Elde edilen deneysel sonuçlarda geliştirilen sınıflandırma algoritması kullanılarak mastitis hastalığının erken dönemde teşhisi için oldukça başarılı ve güvenilir bir tahminleyici model elde edilmesi sağlanmıştır.

In recent years, successful swarm optimization algorithms have been developed, which have reduced of getting stuck to local optimums rate by searching from within the problem space through natural inspiration. The Cuckoo Bird Algorithm is a good example for this kind of algorithms. Optimization algorithms are also used for optimization in machine learning methods such as classification because they are applied on problems that are difficult to solve analytically. In this study, a rule-based classification algorithm has been developed using the Cuckoo Bird Algorithm. The algorithm developed was used for the early detection of mastitis disease in dairy cattle, which leads to large economic losses in milk production and is difficult to detect with conventional methods. The generated algorithm was implemented by using the C # .NET programming language. The software has been applied to the actual data set obtained from a computer operated dairy farm for the diagnosis of mastitis disease. By using the classification algorithm developed in the experimental results obtained, it is possible to obtain a highly successful and reliable predictor model for the early detection of mastitis disease.