Ağırlıklı Bayes sınıflandırıcıda ağırlıkların optimizasyonu

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