Kaba Kümeler Teorisi çok sayıda niteliğin meydana getirdiği büyük veri topluluklarının analizi ve bunların sınıflandırması konusunda oldukça başarılı çözümler ortaya koymaktadır. Kural indirgeme yöntemi sayesinde verilerin analizi daha kolay yapılabilir hale gelmektedir. Ancak bilgi sistemindeki kural indirgeme durumlarını tespit etmek büyük veri tabanlarında oldukça karmaşıktır.
Bu tez çalışmasında kural indirgeme bulma yöntemlerinden Kİ ve GKİ hakkında bilgi verilmiştir. Sağladığı yararlar yanında her iki yöntemin de yetersiz kaldığı durumlar açıklanmıştır. Sorunlara getirilen çözüm yöntemleri, kullanılabilirliği ölçüsünde etkilidirler. Çok maliyetli yaklaşımlar çoğunlukla tercih edilmez.
Daha etkili ve kullanılabilir bir yaklaşım geliştirmek için bu tez çalışmasında ortaya atılan BKİ algoritması, diğer iki yöntemin eksiklerini tamamlar niteliktedir. Gereksiz kural indirgemelerden kaçınarak hem bilgi sistemi analizini kolaylaştırır hem de daha kısa sürede sorunun çözülmesini sağlar. Ayrıca BKİ algoritması, hastalık teşhis problemleri için başarılı tahminler yapabilmektedir. Yüksek doğruluk oranlarıyla kestirilen hastalıklar, gerçek değerlere oldukça yakındır.
GKİ algoritmasının getirdiği kolaylıklar yanında katlanılması gereken maliyetleri de vardır. Algoritma yüksek miktarda bellek ihtiyacı duyar. Bu sebeple, GKİ algoritması üzerine yapılan iyileştirme çalışmaları kaynak ihtiyacını daha uygun seviyelere indirmiştir. Çalışma performansı göz önüne alındığında, GKİ kadar olmasa da ona yakın bir sürede işlemi tamamlayan bir prosedür elde edilmiştir.
Kİ, GKİ, BKİ ve iyileştirme çalışmalarının, Wisconsin verisindeki performansları karşılaştırıldığında BKİ algoritmasının en hızlı olduğu görülür. İkinci sırada GKİ ve ardından iyileştirilmiş prosedür gelir. Kİ algoritması ise büyük bir süre farkıyla son sırada bulunmaktadır. Elde edilen sonuç umut vericidir. Ancak en kısa sürede işlem yapan metoda henüz ulaşılamamıştır. KK teorisi temelli çalışmalar devam ettiği sürece daha iyi algoritmalar geliştirilecektir. Bu çalışmanın gelecekte yapılacak araştırmalara ışık tutacağı açıktır.
35 KAYNAKLAR
Amrahov, Ş.E., Aybar, F. and Doğan, S. 2010. Prunning algorithm of generation a minimal set of rule reducts based on rough set theory. arXiv:1011.0190v1.
Amrahov, Ş.E. and Aybar, F. 2010. Automatic detection of breast cancer by pruning rule reduct generation algorithm based on rough set theory. Submitted.
Aybar, F. and Amrahov, Ş. E. 2010. Improving on modified rule generation algorithm.
Submitted.
Griffin, G. and Chen, Z. 1998 Rough set extension of Tcl for data mining. Knowledge-Based systems, 11; 249-253.
Grzymala-Busse, J. 1991. Managing uncertainty in expert systems. Kluwer, Boston.
Grzymala-Busse, J. 1992. LERS-a system for learning from examples based on Rough Sets. Intelligent Decision Support, Handbook of Applications and Advances of the Rough Sets Theory, Kluwer, Dordrecht, Vol. 3.
Grzymala-Busse, J. and Wang, C.P. 1996. Classification and rule induction based on rough sets. IEEE Transaction on Knowledge and Data Engineering; 744-747.
Guo, J.Y. and Chankong, V. 2002. Rough set-based approach to rule generation and rule induction. International Journal of General Systems, 31(6); 601-617.
Hayashi, Y. and Setiono, R. 2002. Combining neural network predictions for medical diagnosis. Computers in Biology and Medicine, 32; 237–246.
Jerez-Aragonez, J.M., Gomez-Ruiz, J.A., Ramos-Jimenez, G., Munoz-Perez, J. and Alba-Conejo, E.A. 2003. Combined neural network and decision trees model for prognosis of breast cancer relapse. Artif. Intell. Med., 27; 45-63.
Khoo, L.P, Tor, S.B. and Zhai, L.Y. 1999. Rough set-based approach to classification and rule induction. International Journal of Advanced Manufacturing Technology. 15; 438-444.
Komorowski, J., Polkowski, L. and Skowron, A. 1998. Rough sets: A tutorial. In:
Rough-Fuzzy Hybridization: A new method for decision making. Springer-Verlag.
Kusiak, A. and Tseng, T.L. 1999. Modeling approach to data mining. Proceeding of the Industrial Engineering and Production Management Conference, Glasgow, Scotland; 1-13.
Kusiak, A. 2000. Computational Intelligence in Design and Manufacturing. Wiley, New York; 498-527.
Lingras, P.J. 1996. Belief and probability based database mining. Proceeding of the Ninth Florida Artificial Intelligence Symposium; 316-320.
Mrozek, A. and Plonka, L. 1993. Rough sets in image analysis. Foundations of Computing Decision Sciences, 18, (3-4); 259-273.
Mrozek, A. and Ekabek, 1998. Rough sets in economic applications. In: Polkowski and Skowron Eds, Rough Sets in Knowledge Discovery 2: Applications, Case Studies and Software Systems; 238-271, Verlag, Germany.
Nanni, L. 2006. An ensemble of classifiers for the diagnosis of erythemato-squamous diseases. Neurocomputing, 69; 842-845.
Pawlak, Z. 1982. Rough Sets. International Journal of Computer and Information Sciences, 11; 341-356.
Pawlak, Z. 1984. On conflicts. International Journal of Man-Machine Studies, 21; 127-134.
36
Pawlak, Z. 1991. Rough sets theoretical aspects of reasoning about data. Kluwer Academic Publishers.
Pawlak, Z. and Slowinski, R. 1994. Rough set approach to multi-attribute decision analysis. Europan Journal Of Operational Research, 72; 443-459.
Pawlak, Z. and Munakata, T. 1996. Rough control, application of rough set theory to control. In: Zimmerman, Proceedings of the Fourth European Congress on Intelligent Techniques and Soft Computing, EUFIT’96; 209-218, Verlag, Germany.
Polkowski, L. 2006. Rough sets: mathematical foundations. Physica-Verlag.
Setiono, R. 1996. Extracting rules from pruned networks for breast cancer diagnosis.
Artifi. Intell. Med. 8; 37-51.
Slowinski, R. and Stefanowski, J. 1989. Rough classification and incomplete information system. Mathematical and Computer Modeling, 12; 1347-1357.
Slowinski, K., Stefanowski, J. and Swinski, D. 2002. Application of rule induction and rough sets to verification of magnetic resonance diagnosis. Fundamenta Informaticae, 53 (3-4); 345-363.
Übeyli, E.D. 2007. Doppler ultrasound signals analysis using multiclass support vector machines with error correcting output codes. Expert Systems with Applications.
33; 725–733.
Übeyli, E.D. 2009. Adaptive neuro-fuzzy inference systems for automatic detection of breast cancer. Journal of Medical Systems, 33; 353-358.
Wakulicz-Deja, A. and Paszek, P. 1997. Diagnose progressive encephalopathy applying the rough set theory. International Journal of Medical Informatics, 46; 119-127.
West, D. and West, V. 2000. Model selection for a medical diagnostic decision support system: a breast cancer detection case. Artif. Intell. Med. 20; 183-204.
Yao, Y., Wong, K.M. and Lin, T.Y.A. 1997. Review of Rough sets models, In: Lin, T.Y. and Cercone, N., eds, Rough Sets and Data Mining-Analysis for Imprecise Data, Kluwe, Boston.
Ziarko, W. 1993. Analysis of uncertain information in the framework of variable precision rough sets. Fund. Computing Decision Science 18; 381-396.