Parkinson veri kümesine uygulanan WEKA‘daki sınıflandırıcıların

WEKA‘da yer alan 91 adet Makine Öğrenmesi algoritması, 0-1 normalizasyonu uygulanmış Parkinson veri kümesi üzerine tatbik edilmiştir. Makine Öğrenmesi algoritmaları bu veri kümelerine uygulanmadan önce öznitelik seçim süreci gerçekleştirildi. Öznitelik seçimi için WEKA‘da yer alan WrapperSubsetEval öznitelik seçim yöntemi kullanıldı (WEKA‘da verinin tümü eğitim kümesi olarak seçildi. Yani çapraz doğrulama gerçekleştirilmedi. Ancak WrapperSubsetEval

152

algoritması 10-katlı çapraz doğrulama yöntemini kullandığı içintekrardan çapraz doğrulama yapılmasına gerek görülmemiştir). Bu yöntem, seçilen Makine Öğrenmesinin en yüksek oranda doğruluk verdiği ve en düşük hata oranına sahip olduğu öznitelik kümesini seçmektedir. Bu yöntem öznitelik seçimi için çeşitli yöntemler kullanmaktadır. Bu tez çalışmasında öznitelik arama yöntemi olarak BestFirst algoritması tercih edildi. Bu seçimin yapılmasında BestFirst algoritmasının daha yüksek doğruluk veren öznitelik kümelerini oluşturması etkili oldu. Ayrıca arama işlemi için ileri yönlü arama gerçekleştirildi. Sarmalama (wrapper) yaklaşımı seçilen Makine Öğrenmesi için en yüksek doğrulukta öznitelik kümesini oluşturmasına rağmen zaman maliyeti açısından oldukça kötüdür. Özellikle eğitim süreci uzun süren algoritmalar için sarmalama yöntemi oldukça zaman harcamaktadır. Bu durumda genel yaklaşımımız; ilgili Parkinson veri kümesi üzerinde en yüksek doğruluğu veren öznitelik kümesinin, eğitim ve arama zamanı uzun süren Makine Öğrenmesi algoritmaları için de kullanılması yönündedir.

Benchmark veri kümelerinde olduğu gibi Parkinson veri kümeleri için de Makine Öğrenmesi algoritmaları öğrenme yaklaşımlarına göre karşılaştırıldı. WEKA‘da Makine Öğrenmesi algoritmaları 7 ana kategoriye ayrılmaktadır. Bunlar: Bayes, functions, lazy, meta, misc, rules ve trees‘dir.

Parkinson veri kümelerine ilk uygulanan Makine Öğrenmesi algoritmaları Bayesian öğrenme yaklaşımına sahip algoritmalardır. Bu algoritmalar içerisinden Bayesian Network (BN) algoritması HHD uygulanmış Parkinson veri kümesi üzerinde %93.94 doğruluk oranıyla en yüksek sınıflandırma doğruluğuna sahiptir. Aynı zamanda Aggregating One-Dependence Estimators (A1DE) algoritması Daubechies3 dalgacığı uygulanmış Parkinson veri kümesi üzerinde %93.94 doğruluk oranıyla en yüksek sınıflandırma doğruluğuna sahiptir. Diğer Bayesian Öğrenme yaklaşımına sahip algoritmalar Parkinson veri kümeleri üzerinde daha düşük sınıflandırma doğruluğu elde etmişlerdir. Bu sonuçlarla ilgili ayrıntılar Çizelge C.27‘de gösterilmektedir.

Parkinson veri kümelerine ikinci uygulanan Makine Öğrenmesi algoritmaları Fonksiyon öğrenme yaklaşımına sahip algoritmalardır. Bu algoritmalar içerisinden Linear Discriminant Analysis (LDA) algoritması Daubechies3 dalgacığı uygulanmış Parkinson veri kümesi üzerinde %93.33 doğruluk oranıyla en yüksek sınıflandırma doğruluğuna sahiptir. Diğer Fonksiyon Öğrenme yaklaşımına sahip algoritmalar

153

Parkinson veri kümeleri üzerinde daha düşük sınıflandırma doğruluğu elde etmişlerdir. Bu sonuçlarla ilgili ayrıntılar Çizelge C.28‘de gösterilmektedir.

Parkinson veri kümelerine üçüncü uygulanan Makine Öğrenmesi algoritmaları Örnek öğrenme yaklaşımına sahip algoritmalardır. Bu algoritmalar içerisinden Instance Based-k (IBk) algoritması HHD uygulanmış Parkinson veri kümesi üzerinde %91.52 doğruluk oranıyla en yüksek sınıflandırma doğruluğuna sahiptir. Aynı zamanda IBk algoritması Daubechies4 dalgacığı uygulanmış Parkinson veri kümesi üzerinde %91.52 doğruluk oranıyla en yüksek sınıflandırma doğruluğuna sahiptir. Diğer Örnek Öğrenme yaklaşımına sahip algoritmalar Parkinson veri kümeleri üzerinde daha düşük sınıflandırma doğruluğu elde etmişlerdir. Bu sonuçlarla ilgili ayrıntılar Çizelge C.29‘da gösterilmektedir.

Parkinson veri kümelerine dördüncü uygulanan Makine Öğrenmesi algoritmaları çeşitli öğrenme yaklaşımlarına sahip algoritmalardır. Bu algoritmalar içerisinden HyperPipes algoritması Daubechies4 dalgacığı uygulanmış Parkinson veri kümesi üzerinde %89.70 doğruluk oranıyla en yüksek sınıflandırma doğruluğuna sahiptir. Diğer çeşitli öğrenme yaklaşımlarına sahip algoritmalar Parkinson veri kümeleri üzerinde daha düşük sınıflandırma doğruluğu elde etmişlerdir. Bu sonuçlarla ilgili ayrıntılar Çizelge C.30‘da gösterilmektedir.

Parkinson veri kümelerine beşinci uygulanan Makine Öğrenmesi algoritmaları Kural Tabanlı Öğrenme yaklaşımına sahip algoritmalardır. Bu algoritmalar içerisinden Decision Table algoritması HHD uygulanmış Parkinson veri kümesi üzerinde %90.30 doğruluk oranıyla en yüksek sınıflandırma doğruluğuna sahiptir. Diğer Kural Tabanlı Öğrenme yaklaşımına sahip algoritmalar Parkinson veri kümeleri üzerinde daha düşük sınıflandırma doğruluğu elde etmişlerdir. Bu sonuçlarla ilgili ayrıntılar Çizelge C.31‘de gösterilmektedir.

Parkinson veri kümelerine altıncı uygulanan Makine Öğrenmesi algoritmaları Karar Ağacı Öğrenme yaklaşımına sahip algoritmalardır. Bu algoritmalar içerisinden J48 (C4.5) algoritması Daubechies3 dalgacığı uygulanmış Parkinson veri kümesi üzerinde %90.30 doğruluk oranıyla en yüksek sınıflandırma doğruluğuna sahiptir. Diğer Karar Ağacı Öğrenme yaklaşımına sahip algoritmalar Parkinson veri kümeleri üzerinde daha düşük sınıflandırma doğruluğu elde etmişlerdir. Bu sonuçlarla ilgili ayrıntılar Çizelge C.32‘de gösterilmektedir.

154

Parkinson veri kümelerine uygulanan Temel Öğreniciler içerisinden en yüksek doğruluk oranına BN ve A1DE algoritmaları sahiptir. Bayesian Network (BN) algoritması HHD uygulanmış Parkinson veri kümesi üzerinde %93.94 doğruluk oranıyla en yüksek sınıflandırma doğruluğuna sahiptir. Aynı zamanda Aggregating One-Dependence Estimators (A1DE) algoritması Daubechies3 dalgacığı uygulanmış Parkinson veri kümesi üzerinde %93.94 doğruluk oranıyla en yüksek sınıflandırma doğruluğuna sahiptir. Diğer Temel Öğreniciler Parkinson veri kümeleri üzerinde daha düşük sınıflandırma doğruluğu elde etmişlerdir. Bu sonuçlarla ilgili ayrıntılar Çizelge C.33‘de gösterilmektedir.

Parkinson veri kümelerine son uygulanan Makine Öğrenmesi algoritmaları Topluluk/Meta Öğrenme yaklaşımına sahip algoritmalardır. Bu algoritmalar içerisinden END, Filtered Classifier, MultiClass Classifier, OrdinalClass Classifier, Weighted Instances Handler Wrapper (WIHW), MultiScheme ve StackingC algoritmaları Daubechies3 dalgacığı uygulanmış Parkinson veri kümesi üzerinde %93.94 doğruluk oranıyla en yüksek sınıflandırma doğruluğuna sahiplerdir. Ayrıca END, Filtered Classifier, MultiClass Classifier, OrdinalClass Classifier, WIHW ve Grading algoritmaları HHD uygulanmış Parkinson veri kümesi üzerinde %93.94 doğruluk oranıyla en yüksek sınıflandırma doğruluğuna sahiplerdir. Diğer Topluluk/Meta Öğrenme yaklaşımına sahip algoritmalar Parkinson veri kümeleri üzerinde daha düşük sınıflandırma doğruluğu elde etmişlerdir. Bu sonuçlarla ilgili ayrıntılar Çizelge C.34 ve Çizelge C.35‘de gösterilmektedir.

WEKA‘da yer alan Makine Öğrenmesi algoritmalarının (91 algoritma) herbir Parkinson veri kümesi üzerinde en yüksek sınıflandırma doğruluğu ve bu doğruluk oranını elde eden Makine Öğrenmesi algoritması Şekil 4.20‘de gösterilmektedir.

155

ġekil 4.20: WEKA‘daki Makine Öğrenmesi algoritmalarının, herbir Parkinson veri kümesi üzerinde en yüksek sınıflandırma doğruluğu ve ilgili Makine Öğrenmesi

algoritması

4.2.2 Bir yapay sinir ağı modelinin parkinson veri kümesi üzerindeki