Sınıflandırma, bir kaydı, önceden tanımlanmış çeşitli sınıflardan birine atayan bir mo­delin uygulanması işlemi olarak tanımlanabilir. Sınıflandırma yapabilmek için, girdi ola­rak nitelik değerlerinden oluşan örnek kayıt yığını ve karşılık gelen bir sınıf verilmelidir. Sınıflandırma modeli ise, mevcut olan nitelik değerleri ile yeni bir kaydın sınıfının kesti­rimini yapar ve sınıflayıcı olarak adlandırılır.

Karar ağaçları, veri madenciliğinde karşılaşılan sınıflandırma problemlerinin çözümü için en sık başvurulan mantıksal yaklaşım yöntemidir.

Bu nedenle doğru yanıt a) seçeneğidir.

R ile ilişki kuralı oluşturabilmek için arules paketinin R’de kurulması ve hafızaya yüklen­mesi gerekir. arules paketi içerisinde yer alan apriori() fonksiyonu yardımıyla güçlü ilişki kuralları oluşturulur.

https://cran.r-project.org/web/packages/arules/

apriori() fonksiyonunun temel parametreleri ilişki kurallarının oluşturulabilmesi için elde edilen tüm işlemleri (alışverişleri) barındıran veri değişkenini ifade eden data ve özellikle destek ve güven eşik değerleri vb. kısıtlamalara ilişkin eşik değerlerinin belir­lendiği parameter’dır. Veri girişi standart veri girişlerinden herhangi birisi ile yapılabilir. Ancak girilen verinin apriori() fonksiyonu ile işlenebilmesi için işlemlerden oluşan verita­banı formatına dönüştürülmesi gerekir. Veri dönüşümü için help(“transactions”) komu­tundan ve fonksiyon ile ilgili yardım için ise, help(“apriori”) komutundan yararlanılabilir.

Örnek 4 için apriori() fonksiyonu yardımıyla dört işlemden oluşan veritabanından destek eşik değeri 0,50 ve güven eşik değeri 0,75 olan güçlü ilişki kurallarının elde edilme­sine ilişkin komut dizisi ve hesaplama sonucu izleyen biçimde ortaya çıkacaktır.

> library(“arules”)

> v e r i < - l i s t ( c ( “ M a k a r n a ” , ” A y r a n ” , ” E t ” ) , c(“Peynir”,”Ayran”,”Tavuk”), c(“Makarna”,”Peynir”,”Ayran ”,”Tavuk”), c(“Peynir”,”Tavuk”))

> islem <- as(veri, “transactions”)

> kurallar <- apriori(islem, parameter = list(supp=0.50, conf=0.75, minlen=3))

> inspect(kurallar)

lhs rhs support confidence lift

1 {Ayran, Peynir} ? {Tavuk} 0.5 1 1.333333

2 {Ayran, Tavuk} ? {Peynir} 0.5 1 1.333333

Verilen komut dizisinin dördüncü satırınındaki “islem <- as(veri, “transactions”)” komutu, liste şeklinde girilmiş olan işlem verilerinin aprio­ri() fonksiyonu ile işlenebilmesi için gereken veri dönüşümünün yapıldığı atama ko­mutudur. Komut dizisinin en altında elde edilen “kurallar” değişkeni dört adet işlem içeren veritabanı üzerinden oluşturulan, destek değeri en az 0,50 ve güven değeri en az 0,75 olan güçlü ilişki kurallarını ve bu kuralların hesaplanan sırasıyla destek, güven ve kaldıraç değerlerini vermektedir. R aracılığı ile elde edilen güçlü ilişki kuralları ve bu kuralların hesaplanan destek, güven ve kaldıraç değerlerinin Örnek 4’ün çözümünde elde edilen sonuçlar ile aynı olduğu görülmektedir.

Bu nedenle doğru yanıt a) seçeneğidir.

Pazar sepeti analizi, müşterilerin daha önceden yapmış oldukları alışverişlerinden oluşan veritabanından her bir alışverişinde birlikte almış olduğu ürünler arasındaki ilişkilerden yola çıkılarak müşterilerin alışveriş alışkanlıklarının belirlenmesidir. Bu sayede müşteri­lerin kişisel tercihlerinin belirlenmesi, birlikte satışa sunulacak ürünlerin belirlenmesi, ürün satış raflarının tasarlanması ve promosyon düzenlemeleri gibi satışı artırmaya yöne­lik çalışmalar daha doğru bir şekilde yapılabilmektedir.

Bu nedenle doğru yanıt a) seçeneğidir.

Karar ağaçlarında  her biri bir sınıfı temsil eden ve karar ağacının son bölümü olan düğüm yaprak düğümdür.

Doğru cevap A şıkkıdır.

Kümeleme analizi genellikle dört aşamada uygulanmaktadır. Bunlar; veri matrisinin oluşturulması, benzerlik veya uzaklık matrislerinin hesaplanması, kümelemede esas alı­nacak yöntemlerin belirlenmesi ve elde edilen sonuçların yorumlanmasıdır.

Bu nedenle doğru yanıt a) seçeneğidir

Çoğu teknikte olduğu gibi karar ağacı oluşturulurken de, veritabanının bir kısmı modeli oluşturmak için kullanılırken, kalan kısım ise oluşturulan modelin test edilebilmesi için ayrılır. Veriyi ikiye ayırmanın amacı, kullanılan karar ağacı algoritmasının ortaya çıkardığı sınıflandırmanın test için saklanan veri ile tekrar denenerek, elde edilen sonuçlar arasında anlamlı bir farklılık olup olmadığının tespit edilmesidir. Bu tespit, elde edilen modelin performansını ölçen bir tespittir. Bu amaca yönelik olarak kullanılan tekniklerden bazıları hold-out tekniği, tekrarlı hold-out (repeated hold-out) tekniği, çapraz-doğrulama (cross-validation) tekniği ve bootstrap tekniğidir.

Doğru cevap C şıkkıdır.

Bağlantıların ortaya çıkarılması ve bunun bir kural olarak değerlendirilmesi ilişki analizi ile mümkün olmaktadır. Buna da literatürde pazar sepeti analizi denmektedir. Doğru cevap B'dir. 

İlişki kuralları, veri madenciliğinin tanımlayıcı modellerinden birisidir. Büyük veri kü­meleri içerisinde belirli veriler arasındaki ilişkileri bulan ve olayların birlikte gerçekleş­me ihtimallerini geçmiş verileri analiz edip ortaya koyarak geleceğe yönelik çalışmaları destekleyen veri madenciliği yöntemine ilişki kuralları denilmektedir. Genel olarak ilişki kuralları sayesinde büyük miktarlardaki veriler arasından ilginç birliktelik örüntüleri keş­fedilerek karar verme, pazarlama ve iş yönetimi vb. gibi konularda birçok fayda sağlan­maktadır. İlişki kuralları; ekonomi, eğitim, e-ticaret, pazarlama, iletişim ve sağlık gibi bir­çok sektörde geniş kullanıma sahip veri madenciliğinin özel bir uygulama alanıdır.

Bu nedenle doğru yanıt a) seçeneğidir.

İlginç olarak nitelendirilen ve bilgi üretmek amacıyla kullanılacak bir ilişki kuralının belirlenebilmesi için kullanılan ilk ölçüt destektir. Doğru cevap D'dir. 

Bir A nesne setinin destek değeri, aslında P(A)’dır. Yani A nesne setinin gözlenme olasılığıdır.

Problemde yer alan her bir nitelik için karar ağacında bir düğüm yer alır. Böylece niteliğin test edilmesi garanti altına alınır.

Web verisi özellikleri aşağıdaki gibi sıralanır.

Web ortamındaki veri miktarı aşırı büyüklüktedir.

Web ortamındaki veri dağınık ve heterojen bir yapıdadır.

Web ortamındaki veri yapılandırılmamıştır.

Web ortamındaki veri dinamiktir.

İfadelerin tamamı küme sayısını belirlemede kullanılan yaklaşımlarındandır.

Bir ilişki kuralının gücü, o kural için hesaplanacak destek ve güven değerleri ile ölçümlenebilir.

Yapı sorgu dili (SQL)

Gelişmiş algoritmalar

E-Devlet veri madenciliği uygulama alanlarından birisi değildir. 

2^m kuralı ve boş kümeyi formülasyondan çıkartmak ilkeleri göz önünde tutulduğunda 2⁶ – 1: 63 olarak bu sorunun cevabı karşımıza çıkar.