Predicting the risk of seizing state lands using data mining techniques

Abstract

Fiili işgal, tüm dünyada birçok ülkede olan ortak bir sorundur, ancak farklı oranlarda bulunmaktadır. Bu oranlar birçok faktöre bağlıdır; bazıları ülkelerdeki koşullarla ilişkili ve bazıları ise arazisine olumsuz bir şekilde sahip olanlarla ilgilidir. Fiili işgal, kasıtlı ve kasıtsız mülkiyet olmak üzere iki kısma ayrılabilir. Fiili işgal, sorumlu belediyelere gelecekte olumsuz bir şekilde, topraklarda kasıtlı olarak ele geçirilen bölgeler için, zorlu koşullar ortaya koyar. Irak'ın son birkaç yıldır içinde bulunduğu şartlar; hem yerleşim hem de ticari yönden bu topraklara sahip olması geleceğe olumsuz bir şekilde neden oldu. Dolayısıyla bu durumda, şehirler üzerindeki meydana gelen etkilerini azaltmak için bunu sınırlandırmanın yollarını bulmak önemlidir. Mevcut işgal oranları, uygun bir çözüm bulma sorumluluğunu üstlenen belediyelerin kapasitesinin ötesine geçmektedir. Bu nedenle, belediye tarafından işlenmesi gereken gecekondu sayısının, veri madenciliği tekniklerini kullanarak bu belediyelerin sınırlı kaynaklarıyla eşleşen makul bir sayıya düşürülmesi önemlidir.Bu çalışmada, gecekonduda bulunanlar hakkında bilgi içeren mevcut veri kümesindeki bilgileri kullanarak, başka bir araziyi ele geçirme riskini bulmak için, altı sınıflandırıcı incelenmiştir. Bu çalışmada incelenen sınıflandırıcılar Bayesian, karar ağacı, ve tembel sınıflandırıcılardır. Sınıflandırma sonuçlarının doğruluğu ve F-ölçüsünü kullanılarak performansları değerlendirilmiştir. Ardından sınıflandırıcıların, her bir grup için bir sınıf tahmin etmesinde kullandığı özelliklerin sayısı, bu özellikler derecelendirilerek ve en düşük sıralı özellikler birer birer kaldırılıp kalan özellikler kullanılarak sınıflandırıcıların performansları değerlendirilmiştir. Bilgi kazanımı ve bir-kural (one-rule) yöntemleri kullanılarak özellikler derecelendirilmiştir. Sınıflandırıcıların performansını etkilemeden kaldırılan en fazla özellik sayısı altıdır, bir kural yönteminin sıralamasına dayanarak elde edilmiştir. Bu, başka bir yeri işgal etme riskinin hızlı tahminini sağlar.Baquba belediyesindeki veri yönetiminde ve işgal risk değerlendirmesinde yardımcı olan bir yöntem olarak uygulamak üzere seçilen sınıflandırıcı, yapılan deneyden elde edilen sonuçlara bağlı olarak k-NN sınıflandırıcısıdır. Uygulanan yöntem, daha sonra işgalde bulunan kişilerin sınıflandırılması için kullanıldı ve kalan 395'i (%76.9) diğer arazileri ele geçirme yönünden yüksek risk taşıdığı ve kalan 124'ünün ise (%23.9) düşük riskli olduğu tahmin edilmektedir.

Adverse possession is a common problem that exists in many countries all around the world but in different rates. These rates depend on many factors, some are related to the conditions in the countries and others are related to the individuals who are adversely possessing a land. The adverse possession may be divided into two types, intentional an unintentional adverse possession. The intentional adverse possession poses difficult challenges to municipalities responsible for the regions where lands are intentionally seized to be adversely possessed in the future. The conditions that Iraq has been going through in last few years contributed to a huge increase in state's land seizing in order to adversely possess these land in the future, for both residential and commercial purposes. Thus, it is important to find ways to limit this phenomenon to reduce its effects over the cities where they occur. The existing seizures rates are way beyond the capabilities of the municipalities who are responsible for finding an appropriate solution. Thus, it is important to reduce the number of squatters that need to be processed by the municipality to a reasonable number that matches the limited resources of these municipalities using data mining techniques.In this study, six classifiers are examined to predict the risk of a squatter going further to seize another land by extracting the knowledge from the existing dataset that contains information of the squatters and the seizures they made. The classifiers tested in this study are Bayesian, decision tree and lazy classifiers by evaluating their performances using the accuracy and F-measure of the classification results. Then, the number of features, used by the classifiers to predict a class for each tuple, is reduced by ranking these features and removing the least ranked features one by one while evaluating the classifiers' performances using the remaining features. Two features ranking techniques are used, which are information gain and one rule methods. The highest number of features that are removed without affecting the performance of the classifiers is six features based on the ranking of the one rule method. This ensures faster prediction, for squatter's risk level of seizing another land.The classifier that is selected to implement a method, which assists the municipality of Baquba in data management and squatters risk assessment, is the k-NN classifier, depending on the results acquired from the conducted experiment. The implemented method is then used to classify the squatters in the database and predicted that 395 (76.10%) of the squatters are high-risk of going further toward seizing another land, while the remaining 124 (23.90%) are predicted to be of low risk.