Improving Iris Dataset Classification Prediction Achievement By Using Optimum k Value of kNN Algorithm

Authors : Ahmet ÇELİK

Pages : 23-30

Doi:10.53608/estudambilisim.1071335

View : 26 | Download : 12

Publication Date : 2022-05-31

Article Type : Research Paper

Abstract :Otomatik çalışan teknolojilerde, makine öğrenmesi yöntemleri olarak yaygın kullanılmaktadır. Sınıflandırma tahmini, veri madenciliği temeline dayanarak gerçekleştirilen bir makine öğrenmesidir. Makine öğrenmesi, makinelerin geçmiş verilerden tecrübe elde ederek yeni tahminlerde bulunmasına olanak sağlamaktadır. Makine öğrenmesi yaygın olarak denetimli ve denetimsiz olarak iki tür olarak incelenmektedir. Denetimli öğrenmede hedeflerin sınırları önceden belirlenmiştir. Denetimsiz öğrenmede ise önceden belirlenmiş hedefler yoktur. Bilgisayarların hedefleri otomatik belirlemesi istenmektedir. Tahmin işlemi makine öğrenmesinin temel bileşenlerinden birini oluşturmaktadır. Bilgisayarlar tahmin işlemini gerçekleştirebilmek için veri madenciliği temelinde bazı algoritmaları kullanması gerekmektedir. En çok k en yakın komşu (KNN), Naive Bayes (NB), Karar Ağacı (DT) ve Destek Vektör Makinesi (SVM) algoritmaları kullanılmaktadır. Bu algoritmalar bazı araçlar kullanılarak veri setleri üzerinde uygulanabilmektedir. Bu çalışmada Orange aracı kullanılarak İris veri seti üzerinde KNN algoritmasıyla tahmin işlemi gerçekleştirilmiştir. KNN algoritmasının başarısı doğru öznitelik kullanmaya ve optimum k değerinin kullanılmasına bağlıdır. Yapılan testler sonucunda, k komşu değeri 15 seçildiğinde İris veri setinde %98,67 sınıflandırma tahmin başarısı sağlayarak, en uygun k komşu değeri olduğu belirlenmiştir.
Keywords : Sınıflandırma, Tahmin, kNN, Veri Madenciliği, Makine Öğrenmesi