Güncel sürü zekâsı algoritmalarıyla sınıflandırma kurallarının keşfi

Abstract

Optimizasyon, bir problemde belirli koşullar altında mümkün olan alternatifler içinden en iyisini seçme işlemidir. Optimizasyon problemleri için birçok algoritma önerilmiştir. Sezgisel algoritmalar, büyük boyutlu optimizasyon problemleri için, kabul edilebilir sürede optimuma yakın çözümler verebilen algoritmalardır. Genel amaçlı sezgisel optimizasyon algoritmaları, biyoloji tabanlı, fizik tabanlı, sürü tabanlı, sosyal tabanlı, müzik tabanlı ve kimya tabanlı olmak üzere altı farklı grupta değerlendirilmektedir. Sürü zekâsı tabanlı optimizasyon algoritmaları kuş, balık, kedi ve arı gibi canlı sürülerinin hareketlerinin incelenmesiyle geliştirilmiştir. Veri madenciliği, büyük ölçekli verilerden anlamlı ve faydalı bilginin keşfedilmesi işlemidir. Sınıflandırma kural madenciliği en çok kullanılan veri madenciliği yöntemlerinden biridir ve bu yöntemle veri kümelerinden kullanıcıların rahatça anlayabileceği kurallar çıkarılmaktadır.Bu çalışmada, sürü zekâsı optimizasyon algoritmaları (Ateşböceği Algoritması, Ateşböceği Sürü Optimizasyonu, Karınca Koloni Optimizasyonu, Parçacık Sürü Optimizasyonu, Yapay Balık Sürüsü Algoritması, Bakteriyel Besin Arama Optimizasyon Algoritması, Kurt Koloni Algoritması) tanıtılmış ve bu optimizasyonlardan Kedi Sürüsü Optimizasyon Algoritması ile Yapay Arı Koloni Algoritması ayrıntılı olarak incelenmiştir. Visual C# dilinde Kedi Sürüsü Optimizasyon Algoritmasına uygun bir program yazılmıştır ve hazırlanan bu programla UCI veri ambarından alınan 4 adet veritabanında sınıflandırma kuralları keşfedilmiştir. Bulunan sonuçlarla Weka programından elde edilen sonuçlar karşılaştırılmıştır.Kedi Sürüsü Optimizasyon Algoritmasının, sınıflandırma kural madenciliğinde kullanılması ilk kez bu çalışmada yapılmıştır. Herhangi bir optimizasyon yapılmadığı halde sınıflandırma kural keşfinde etkili bir yöntem olmaktadır. Önerilen bu yöntemle istenilen özelliklere göre uygunluk fonksiyonuna ilaveler esnek şekilde yapılabilmektedir. Geliştirilen programda, bulunan kurallardaki niteliklerin değer aralıkları kurallarla eş zamanlı olarak bulunmaktadır, ayrıca bir ön işlem yapılmamaktadır.Anahtar Kelimeler: Sürü tabanlı optimizasyon, Kedi sürüsü optimizasyonu, Yapay arı koloni algoritması, Veri madenciliği, Sınıflandırma kural madenciliği

Optimization is the process of finding the best solution of a problem. There are many optimization algorithms proposed for optimization problems. The heuristic algorithm can give solutions close to optimum in an acceptable period of time for large-scaled optimization problems. The metaheuristic optimization algorithms are evaluated in six different groups which are biology-based, physics-based, swarm-based, social-based, music-based and chemistry-based. The swarm-based optimization algorithms have been developed by observing the behaviors of creatures e.g. birds, fishes, cats, bees etc. Classification rule mining is one of the most commonly used data mining methods and with this method users can easily understand the rules extracted form data sets.In this study, swarm-based optimization algorithms (Firefly Algorithm, Glowworm Swarm Optimization, Ant Colony Optimization, Particle Swarm Optimization, Artificial Fish-Swarm Algorithm, Bacterial Foraging Optimization Algorithm, and Wolf Colony Algorithm) are described and Cat Swarm Optimization and Artificial Bee Colony Algorithms are studied in detail. In Visual C# programming language, a program is written in accordance with Cat Swarm Optimization Algorithm and classification rules are discovered within 4 databases obtained from the UCI data warehouse.In this study, Cat Swarm Optimization Algorithm has been firstly used for classification rule mining. Although there is no much more optimization, Cat Swarm Optimization is an effective method for classification rule mining. Additions could be flexibly made to fitness function in accordance with desired properties. In the developed program, the ranges of values of attributes in the rules are synchronously adjusted with the rules obtained from the proposed method, any preprocess is not applied for the ranges of attributes.Keywords: Swarm-based optimization, Cat swarm optimization, Artificial bee colony algorithm, Data mining, Classification rule mining