A Collective Learning Approach for Semi-Supervised Data Classification
Nur Uylaş SatıMuğla Sıtkı Koçman University, Bodrum Vocational School of Maritime, Department Of Motor Vehicles And Transportation TechnologiesSemi-supervised data classification is one of significant field of study in machine learning and data mining since it deals with datasets which consists both a few labeled and many unlabeled data. The researchers have interest in this field because in real life most of the datasets have this feature. In this paper we suggest a collective method for solving semi-supervised data classification problems. Examples in R1 presented and solved to gain a clear understanding. For comparison between state of art methods, well- known machine learning tool WEKA is used. Experiments are made on real –world datasets provided in UCI dataset repository. Results are shown in tables in terms of testing accuracies by use of ten fold cross validation.
Keywords: Semi- Supervised Data Classification, Clustering Method, Supervised Data Classification, Machine Learning, Mathematical ProgrammingYarı-Gözetimli Veri Sınıflandırma için Kolektif bir Öğrenme Yaklaşımı
Nur Uylaş SatıMuğla Sıtkı Koçman Üniversitesi, Bodrum Denizcilik Meslek Yüksekokulu, Motorlu Araçlar ve Ulaştırma Teknolojileri BölümüYarı-gözetimli veri sınıflandırma, makine öğrenme ve veri madenciliğinde önemli bir çalışma alanıdır çünkü az sayıda etiketli ve çok sayıda etiketsiz veri içeren veri kümeleri ile ilgilenmektedir. Gerçek hayat veri kümelerinin çoğu bu özelliği taşıdığından birçok araştırmacı bu alana ilgi duymaktadır. Bu makalede yarı-gözetimli veri sınıflandırma problemlerinin çözümü için kolektif bir yöntem önerilmiştir. Konuyu daha iyi anlamak için R1 de tanımlı veri kümeleri oluşturup önerilen algoritmalar bu veri kümelerine uygulanmıştır. Gelişkin tekniklerle karşılaştırma yapmak için en iyi bilinen WEKA makine öğrenme programı kullanılmıştır. Çalışmalar UCI veri kümesi deposunda bulunan gerçek hayat veri kümeleri üzerinde uygulanmıştır. 10 katlı çapraz geçerlilik ölçütü kullanılarak elde edilen değerlendirme sonuçları tablolarda sunulmuştur.
Anahtar Kelimeler: Yarı-gözetimli Veri Sınıflandırma, Kümeleme Yöntemi, Gözetimli Veri Sınıflandırma, Makine Öğrenme, Matematiksel ProgramlamaCorresponding Author: Nur Uylaş Satı, Türkiye
Manuscript Language: English