A Comparative Analysis of Decision Tree Algorithms for Rose Disease Diagnosis

Abstract

Makine öğrenimi, veriler içerisindeki yararlı bilgileri çıkarmak ve veriler arasındaki ilişkilere dayalı algoritmalar tasarlamak için kullanılan istatistiksel bir modelleme konusudur. Makine öğrenimi kullanmanın en büyük avantajı, algoritmanın verilerle ne yapacağını öğrendiğinde gerekli işlemleri otomatik olarak yapmasıdır. Veri madenciliği konuları arasında sıklıkla kullanılan yöntem, sınıflandırmadır. Sınıflandırma yöntemi, pek çok algoritmaya kıyasla pratik ve hızlı çözümler sunan alternatif bir yöntemdir. Sınıflandırma yönteminde veriler içerisindeki bilgiler, bağıntılar, desenler ve benzerliklerden yola çıkılarak çeşitli algoritmalar yardımıyla model oluşturulur. Bu model üzerinden yeni gözlemler için sınıf tahmini yapılır. Bu çalışmada, farklı karar ağacı algoritmaları ile hastalık teşhisi için (hasta-hasta değil) sınıflandırma analizi yapılmıştır. Çalışmada asıl amaç; gözlemin hasta-hasta değil şeklinde sınıflandırılmasından ziyade, bu ayrım yapılırken kullanılan değişkenlerin neler olduğunun belirlemesi ve literatür ile kıyaslanmasıdır. Eğitim ve test aşamasında veriler, çapraz doğrulama ile karşılaştırılmıştır. En başarılı yöntem tespit edilirken doğruluk, kesinlik, duyarlılık, F-ölçütü, MCC, ROC Area, PRC Area ve Kappa değerleri göz önüne alınmıştır.