Veri Madenciliği

Birliktelik (İlişki) Kuralları
Gözlem değerleri arasındaki ilişkiyi, koşullu olasılık bazlı değerlendirmelerle özet olarak sunan ve 
uygulayıcı tarafından baştan tanımlanmış bir başarı oranının üzerindeki kuralları sıralayan bir yaklaşım 
izlenmektedir. Hesaplama mantığı nedeniyle hızlı sonuç vermesi ve çok büyük veri setlerine kolaylıkla 
uygulanabilmesi Birliktelik Kuralı Analizi’ni ticari veri tabanlarının madenciliğinde gittikçe popülerleşen bir 
araçtır haline getirmiştir. 
Önemli Bileşenler Analizi
Çok fazla değişkenin etüd edilmesi gereken bir durumda, tüm değişkenleri içerecek bir modelin başarılı 
tahmin yapma kabiliyetinde oluşabilecek zafiyetin ötesinde, tüm bu değişkenleri gözlemlemek, veri 
toplamak ve değerlendirmek; zaman, insangücü ve maliyet açısından önemli bir yük getirmektedir. Bu 
noktada tolere edilebilir düzeyde açıklayıcılıktan fedakarlık, daha az sayıda değişkenle bir model kurmayı 
sağlayabilir. Önemli Bileşenler Analizi, çok sayıda değişken içerisinde, açıklayıcılığa önemli düzeyde katkı 
sağlayan daha az sayıda değişkenin kullanımına imkan tanıyan Doğrusal Regresyon Yöntemi’nin özel bir 
durumudur. Yöntem oldukça kullanışlı olmasına karşın, çok kesin Normal Dağılım varsayımlarının göz 
ardı edilmesi, yanlış sonuçlar elde etme riskini oluşturmaktadır.
Diskriminant Analizi
Bir sınıflandırma probleminde, sınıflamanın gerçekleştirilmesi ve oluşturulmuş bir sınıflamada gözlem 
atamalarının doğru yapılması Diskriminant Analizi’yle sağlanmaktadır. 
Kendi Kendini Düzenleyen Haritalar
Bu yöntem K-ortalamalar Kümeleme Analizinin kısıtlı versiyonu olarak görülebilir; gözlemler iki boyutlu 
bir düzlemde sınıflandırılır. Kendi kendini düzenleyen haritalar, orijinal yüksek-boyutlu gözlemlerin iki 
boyutlu koordinat sistemine indirgenerek haritalandığı kısıtlanmış bir topolojik haritaya işaret etmektedir. 
Orijinal SOM algoritması çevrimiçidir (online) – gözlemler anında işlenir – ve toplu işlem (batch) 
versiyonu daha sonra önerilmiştir. 

---

9