SUBMISSION DETAIL

Ünal ÇAVUŞOĞLU
 


Keywords:



HİBRİT ÖZELLİK ÇIKARIM YÖNTEMLERİNİN SINIFLANDIRMA BAŞARIMINA ETKİSİNİN İNCELENMESİ
 
Günümüzde teknolojinin gelişmesi ile birlikte veri madenciliği işlemlerinde kullanılan veri setlerinin hacimlerinde önemli miktarda artış gerçekleşmiştir. Bu artışla birlikte, gerçekleştirilen uygulamalarda işlem zamanı, enerji tüketimi ve donanım gereksinimlerinde artışlar yaşanmıştır. Özellik çıkarım algoritmaları, veri seti boyutlarının azaltılması ve veri setlerinin daha verimli hale gelmesini sağlamaktadır. Bu sayede veri setlerinin hacimleri küçülmekte; işlem zamanı, enerji tüketimi ve kaynak kullanımı önemli miktarda azalmakta ve daha başarılı sonuçlar elde edilebilmektedir. Özellik çıkarımında temel problem sınıflar arasında en iyi ayrımı yapabilecek olan özelliklerin belirlenmesidir. Özellik çıkarım işleminde literatürde yaygın olarak kullanılan özellik çıkarım algoritmalarından birisi Wrapper metodudur. Wrapper Metodunda, makine öğrenme algoritmaları kullanılarak alt veri setleri belirleme işlemi gerçekleştirilir. Çalışmada KDD-CUP 99 veri seti üzerinde, Wrapper metodu Naive bayes, Random tree, Random forest, J-48, KNN gibi farklı makine öğrenme algoritmaları ile birlikte kullanılarak özellik çıkarım işlemi gerçekleştirilmiştir. Farklı makine öğrenme algoritmaları ile elde edilen nitelikler birleştirilerek, hibrit nitelik belirleme işlemi yapılmış ve yeni veri setleri elde edilmiştir. Oluşturulan tüm yeni veri setleri üzerinde farklı makine öğrenmesi algoritmaları ile sınıflandırma performans analiz testleri (ACC, DR, TPR, FPR, F-Measure) gerçekleştirilmiştir. Test işlemleri, veri seti içinde yer alan hizmet dışı bırakma DoS (Denial of Sevice) saldırılarının tespiti ile gerçekleştirilmiştir. Gerçekleştirilen performans testlerinde, Random Forest ve J-48 sınıflandırma algoritmaları ile hibrit nitelik seçim işlemlerinden elde edilen veri setinin diğer yöntemlerden daha yüksek başarıma sahip olduğu tespit edilmiştir.

Anahtar Kelimeler: Makine Öğrenmesi, Özellik çıkarımı, KDD-CUP 99, DoS Saldırısı