Nümerik verilerde otomatik kural madenciliği için çok amaçlı melez akıllı optimizasyon tabanlı model geliştirme

Büyük veri kümelerinde birliktelik kurallarının keşfi veri madenciliğinin önemli konularından biridir. Birliktelik kural madenciliği için kullanılan yöntemlerin neredeyse tamamı ayrık değerli veri setleri için önerilmiştir. Bu amaçla nümerik değerli niteliklere sahip birçok gerçek dünya verisinin, klasik kural madenciliği algoritmasında kullanılabilmesi için ikili veya ayrık değerli hale getirilmesi gerekmektedir. Fakat bu ayrıklaştırma işlemi; gerçek verileri değiştirmektedir ve gerçek yüksek kaliteli kurallar veri kaybı ve nitelik etkileşimleri nedeniyle değiştirilen veya değişikliğe uğrayan verilerden keşfedilemez hale gelmektedirler. Madencilik süreci sırasında nitelik aralıklarını ayrıklaştırma gibi bir ön işlem olmadan otomatik olarak ayarlamak daha anlamlıdır. Bu tez çalışmasında; yoğun nesne kümelerini üretmeden ilgili niteliklerin ilgili aralıklarını eş zamanlı olarak ayarlayarak indirgenmiş yüksek kaliteli nümerik birliktelik kurallarını hızlı ve doğrudan keşfetmek için diferansiyel evrim ve sinüs kosinüs algoritmasına dayalı yeni melez çok amaçlı evrimsel optimizasyon yöntemleri önerilmiştir. Bu algoritmalar genel bir arama işlemi uygulamaktadır ve kural madenciliği görevini, aynı anda birbiriyle çelişen farklı metrikleri karşılayan çok amaçlı bir problem olarak modelleyerek yüksek kalitede kurallar bularak gerçekleştirirler. Bu tez çalışmasında önerilen algoritmalar, keşfedilen kuralların yüksek destek ve güvene sahip olmasını ve aynı zamanda anlaşılabilir olmasını sağlamaktadır. Ayrıca kuraldaki niteliklerin uygun minimum aralıklarını, kural keşfi esnasında otomatik olarak bulmaktadırlar. Önerilen yöntemler, her veri seti için önceden belirlenen minimum destek ve güven metriklerine olan ihtiyacı ortadan kaldırarak kural madenciliği sorununu otomatik hale getirmektedirler. Bu tez çalışmasında önerilen yeni yöntemlerin performansı, gerçek veri setleri üzerinde literatürde var olan diğer yöntemlerle test edilmiştir. Sonuçlar, önerilen yöntemlerin nitelik sayısının az ve kayıt sayısının fazla olduğu veri setleri üzerinde diğer yöntemlere kıyasla daha başarılı olduğunu göstermektedir.