Veri Analizinde İstatistik mi Veri Madenciliği mi?

Abstract

Özet-Günümüzün teknolojik gelişmeleri, veri boyutlarının ve çeşitliliğinin artması klasik istatistiksel yöntemlerin yetersiz kalabileceği durumları da beraberinde getirmektedir. Veri analizinde yıllardır kullanılan istatistik, son yıllarda veri madenciliği ile yan yana yer almaktadır. Veri analizi çalışmalarında kullanılan istatistik ve veri madenciliği yöntemleri birçok farklı araştırma alanında kendilerine yer bulabilmektedir. Özellikle sağlık alanında veri analizinde istatistik sıklıkla kullanılmakta, veri madenciliği yöntemleri ise son yıllarda araştırmacılar tarafından fark edilmektedir.Bu çalışmanın amacı, her iki alanın incelenerek aralarındaki farklılıkların ve benzerliklerin ortaya konmasıdır. Özellikle sağlık alanında veri madenciliğinin çok yaygın olarak bilinmemesi ve sağlık çalışanlarının genellikle istatistiksel yöntemlere bağlı kalıyor olması çalışmanın çıkış noktasını oluşturmaktadır. Çalışma kapsamında veri madenciliği ve istatistiksel yöntemlerle ilgili olarak bir literatür araştırması yapılmıştır. Sonuç olarak bu iki alan kavramsal açıdan incelenmiş, aralarındaki farklar ve benzerlikler özetlenerek ortaya konmaya çalışılmıştır. İlerleyen zamanlarda çalışmanın sağlık verisi ile uygulaması yapılarak genişletilmesi umulmaktadır.Anahtar Kelimeler-Veri Madenciliği, İstatistik, Veri Analizi Statistics or Data Mining for Data AnalysisAbstract-Today's technological advances, increase of volume and diversity of data, brings inadequate status of classical statistical methods with it. Statistics, which is being used for data analysis for many years, is located side by side with data mining in recent. Statistics and data mining methods can find place in many different research fields. Especially in health sector statistics is being used frequently, whereas data mining methods is started to get attention of researchers in recent years.The aim of this study is to observe similarities and differences between two fields. Starting point of the study is that while statistical methods are being frequently used in health field, data mining methods is not known widespread in the same field. In this study, literature research is made about data mining and statistical methods. As a result of the research both fields are observed conceptually, differences and similarities between fields are tried to be summarized in the study. In future it is planned to expand the scope this study with application of data mining and statistical methods to the same health data.

Çalişan Performansi Ölçeği̇ndeki̇ İfadeleri̇n Karar Ağaci Algori̇tmasi İle Beli̇rlenmesi̇

“…The data were collected by questionnaire method, and the decision trees method was used as the method. Şengür and Tekin (2014) studied the estimation of graduation grades of students using artificial neural networks and decision trees method. Bayır et al (2016) worked on the prediction of voter trends using the decision tree method.…”

“…Veriler anket yolu ile toplanmış yöntem olarak ise karar ağaçları yöntemi kullanılmıştır. Şengür ve Tekin (2014), yapay sinir ağları ve karar ağaçları yöntemini kullanarak öğrencilerin mezuniyet notlarının tahminlenmesi üzerine çalışmışlardır. Bayır ve arkadaşları (2016), karar ağacı yöntemini kullanarak seçmen eğilimlerinin tahmin edilmesi üzerine çalışmışlardır.…”

Karar Ağaçlari İle İnternet Alişveri̇şleri̇nde Tüketi̇ci̇yi̇ Etki̇leyen Faktörleri̇n Anali̇zi̇

“…Veri madenciliği, makina öğrenme, istatistiksel ve veri tabanlarıyla ilgili konulardaki yöntemleri birleştirip büyük veri tabanlarından yararlı ve önemli bilgileri çıkartabilmesine olanak tanımaktadır. Veri madenciliği, yıllardır geliştirilmekte olan çeşitli yöntemleri içermektedir (Emre ve Selçukcan Erol, 2017).…”

Siyah Alaca Sığırlarda Farklı Büyüme ve Gelişme Dönemlerindeki Vücut Ölçülerinden Canlı Ağırlık Tahmininde Kullanılan Veri Madenciliği Algoritmalarının Karşılaştırılması

“…İstatistiki yöntemlerle analiz edilemeyecek büyüklükteki veri setleri veri madenciliği algoritmaları ile kolaylıkla analiz edilebilmektedir. Veri madenciliği algoritmalarının en önemli avantajı ise herhangi bir ön koşula tabii olmamaları ve ör-nekleme yöntemini kullanarak çapraz doğrulama yoluyla sınıflandırmayı kontrol edebilmeleridir (Tüzüntürk, 2010;Emre ve Erol, 2017) Aynı zamanda algoritmaların pratik olması, doğru, başarılı ve güvenilir sonuçlar elde edilmesi ile birçok hayvancılık alanlarında da kullanılagelmiştir (Teke, Orhan, Küçüksille, Bilginturan, ve Teke, 2013;Shahinfar, Page, Guenther, Cabrera, Fricke, ve Weigel, 2014;Cihan, Kalıpsız, ve Gökçe, 2020) Mevcut çalışmada doğumdan 12 aylık yaşa kadar farklı büyüme ve gelişme dönemlerindeki sığırların bazı vücut ölçümlerinden canlı ağırlık tahmininin belirlenmesinde yaygın olarak kullanılan MLR, RF, DT ve kNN veri madenciliği algoritmalarının performanslarının değerlendirilmesi amaçlanmıştır.…”