Buradasınız

Anasayfa » Content

KARAR AĞAÇLARI VE YAPAY SİNİR AĞLARININ SINIFLANDIRMA PERFORMANSLARININ KARŞILAŞTIRILMASI: AVRUPA BİRLİĞİ ÖRNEĞİ

A COMPARISON OF CLASSIFICATION PERFORMANCES OF THE DECISION TREES AND THE ARTIFICIAL NEURAL NETWORKS: EUROPEAN UNION

Journal Name:

  • Trakya Üniversitesi Sosyal Bilimler Dergisi

Publication Year:

  • 2012

Key Words:

Keywords (Original Language):

Author NameUniversity of AuthorFaculty of Author
Abstract (2. Language): 
The traditional statistics method is frequently used in classification problems. However data mining techniques draw more attention day by day because they do not have any assumption and their classification performance is determined to be stronger via many researches. In this study the Decision Trees and Artificial Neural Networks data mining techniques will be introduced and the classification performances of these methods will be compared with application sample. In the application 9 macroeconomic variable data of member and candidate states of the European Union (EU) have been used. The aim of the application is to determine whether the factor of 'increasing the economical development level' is effective or not and if it is which variables are more important. The data have been analyzed via machine training package program of WEKA. C4.5 algorithm has been used for KA analysis whereas Multilayer Perceptrons have been used for YSA analysis.
Bookmark/Search this post with
Abstract (Original Language): 
Geleneksel istatistik teknikler sınıflandırma problemlerinde sıklıkla kullanılmaktadır. Ancak herhangi bir varsayıma sahip olmayan ve yapılan çok sayıda çalışma ile sınıflandırma performanslarının daha güçlü olduğu belirlenen Veri Madenciliği (VM) tekniklerine olan ilgi her geçen gün artmaktadır. Bu çalışmada, VM tekniklerinden Karar Ağaçları (KA) ve Yapay Sinir Ağları (YSA) teknikleri tanıtılarak, bu yöntemlerin sınıflandırma performansları bir örnek uygulama ile karşılaştırılmıştır. Uygulamada Avrupa Birliği (AB)'ne üye ve aday ülkelere ait 9 makro ekonomik değişken verileri kullanılmıştır. Uygulamanın amacı bir ülkenin AB üyesi olmasında 'ekonomik gelişmişlik düzeyini arttırma' faktörünün etkili olup olmadığını tespit etmek ve etkili ise hangi değişkenlerin daha önemli olduğunu belirlemektir. Veriler, makine öğrenme paket programı olan WEKA yardımıyla analiz edilmiştir. KA analizi için C4.5. algoritması, YSA analizi için Çok Katmanlı Algılayıcılar yöntemi kullanılmıştır.
FULL TEXT (PDF): 
PDF icon arastirmax-karar-agaclari-yapay-sinir-aglarinin-siniflandirma-performanslarinin-karsilastirilmasi-avrupa-birligi-ornegi.pdf
  • 1
1
22
  • Turkish

REFERENCES

References: 

Bishop, C. M., Neural Networks for Pattern Recognation, Oxford University Press, London 1995.
Brada, J.C. and A.M. Kutan, 'The Convergence of Monetary Policy between Candidate Countries and the European Union', Economic Systems, Vol. 25, No. 3, 2001.
Breuss, Fritz, 'Benefits and Dangers of EU Enlargement', Empirica, Kluwer Academic Publishers, Vol 29, Netherlands 2002.
21
Trakya Üniversitesi Sosyal Bilimler Dergisi
Haziran 2012 Cilt 14 Sayı 1 (1-22)
Doğan, Nurhan ve Kazım Özdamar, 'Chaid Analizi ve Aile Planlaması ile Bir Uygulama', T. Klin Tıp Bilimleri Dergisi, Cilt. 23,
Eskişehir 2003.
Dormen, Doruk, Bankacılık Sektöründe Müşteri İlişki Yöntemi:CRM Acısından Veri Madenciliği Yöntemi, Doktora tezi, İstanbul 2003.
Doyle, Orla and Jan Fidrmuc, 'Who is in favor of Enlargement? Determinants of Support for EU Membership in the candidate countries' referanda', http://www.fidrmuc.net/research/refd.pdf, (09.10.2011).
Dunham, M. H., Data Mining Introductory and Advanced Topics, Pearson Education Inc., Southern Methodist 2003.
German, G. W. H., G. and West-M. Gahegang, Statistical and AI Techniques in GIS Clasification: A Comparison, http://divcom.otago.ac.nz /Sirc/conferences/1999/14_German.pdf, (11.10.2011).
Halkos, G. and E. Tzeremes, 'Economic Efficiency and Growth in the EU Enlargement', Journal of Policy Modeling, Vol. 31, 2009.
Haykin, Simon, Neural Networks and Learning Machines, Third edition, Pearson Education, 2009.
Kandartzic, Mehmed, Data Mining Concepts Models and Algorithms, John Wiley&Sons, 2003.
Kumar, P., Nitin-V., Sehgal and D.S. Chauhan, 'Performans Evaulation of Decision Tree versus Artificial Neural Network Based Classifiers in Deversity of Datasets', World Congress on Information and Communication Technologies(WICT 2011), Mumbai 2011.
Öztemel, Ercan, Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul
2006.
Quinlan, J.R, C4.5 Programs For Machine Learning, Morgan Kaufman Publisher, California 1993.
Seidman, Claude, Data Mining with Microsoft SQL Server 2000, Microsoft Press, Washington 2001.
Tan, P.N., Steinbach, M. and V. Kumar, Introduction to Data Mining, Pearson Addison Wesley, Boston 2006.
Tireli, Tina and Daniela Pessani, 'Use of Decision Tree and Artificial Neural Network Approaches to Model Presence/Absence of Telestes Muticellus in Piedmont', Rever Research and Applications, Vol. 25, Torino
2009.
Witten, Ian H. and Eibe Frank, Data Mining Practical Machine Learning Tools and Techniques, Second Edition, Morgan Kaufmann Publishers, San Francisco 2005.

Thank you for copying data from http://www.arastirmax.com