2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması

2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması
Bu örnek uygulamada bir önceki yazımda Oracle SQL Developer’a yüklediğim Data Miner
Repository ile gelen hazır bir sigorta şirketi veri setini veri madenciliği süreçlerinden
geçireceğiz. Bu uygulamada amaç; sigorta şirketinin sahip olduğu müşteri bilgilerinden
faydalanarak bir sonraki sigorta satışı için müşterilerin cevaplarının belirlenmesi
amaçlanmaktadır.
Data Miner sekmesinden “New Project” kısmını seçeriz.
Şekil 1. Yeni proje oluşturma
Gerekli proje ön tanımını yaparız.
Şekil 2. Proje isimlendirme
Projemiz “dmercan” veritabanı altında oluştu.
Şekil 3. Proje oluştu ekranı
Projenin içinde yeni bir iş akışı oluşturuyoruz.
Şekil 4. İş akışı oluşturma
İş akışına isim veriyoruz.
Şekil 5. İş akışı isimlendirme
“View” sekmesinden Data Miner eklentilerini ekrana aktaralım.
Şekil 6. Data Miner eklentileri
Ekranda oluşan “Workflow Editörü”nden “Data” sekmesinden “Data Source” kısmına tıklarız.
Mevcut tablolardan birine seçerek devam ederiz.
Şekil 7. Tablo seçme ekranı
İşlemi sonlandırdığımızda kaynağımız oluşmuş olur.
Şekil 8. Veri kaynağının oluşması
Şimdi “Data” sekmesinden bilgi keşfi için “Explore Data” düğümünü ekliyoruz. Daha sonra
mevcut tablomuzdan “Explore Data” düğümü ile bağlantı kurulur.
Şekil 9. Explore Data düğümü ekleme
Şekil 10. Bağlantı oluşturma
“Explore Data” düğüm özelliklerinden “Group By” kısmından hedef seçilir. Burada alınan
sigorta sayısının hesaplanması hedeflenmektedir. Bu yüzden “BUY_INSURANCE” seçilir.
Şekil 11. Özellik ayarları
Daha sonra kullandığımız veri ile “Explore Data” düğümü arasında bağlantı “Run” komutu
sorunsuz bir şekilde oluşmuş olur.
Şekil 12. Bağlantı oluştu ekranı
Şimdi “Explore Data” düğümü “View Data ” sekmesinden veri ile ilgili istatistikler görebiliriz.
Şekil 13. Veri istatistikleri
Şimdi tasarımımıza sınıflandırma modelini uygulamak için “Workflow Editor” kısmından
“Models” sekmesinden “Classification” düğümünü seçeriz. Daha sonra verimizle arayüze
eklenen “Class Build” arasında bağlantı oluşturulur.
Şekil 14. Class Build düğümü
Şekil 15. Class Build ile bağlantı
Hedef olarak(Target) “BUY_INSURANCE”, birincil anahtar(Case Id) olarak da “CUSTOMER_ID”
seçeriz.
Şekil 16. Class Build ayarları
Bu kısımda çeşitli sınıflandırma algoritmaları vardır, hepsi seçili halde karşımıza gelir;
istediklerimizi veya hepsini seçerek durumları gözlemleyebiliriz. Yalnızca “Data Usage”
kısmında “Hedef” sütunu olarak belirlediğimiz kısmın “Auto Prep” kısmının işaretli
olmamasına dikkat etmemiz gerekir.
Şekil 17. Class Build gelişmiş ayarlar
Seçimlerimizi yaptıktan sonra bağlantımızı “Run” ile çalıştırırız.
Şekil 18. Class Build bağlantı oluşturuldu ekranı
Veri üzerinde tahmin yapabilmek için “Class Build” modeli oluşturulDU. Son olarak bu model
kullanılarak “Apply” düğümü ile birlikte tahminler ve olasılık değerleri incelenebilir.
Her algoritma için sınıflandırma sonuçlarını görebiliriz:
Şekil 19. Çeşitli algoritma seçenekleri
4 sınıflandırma modeli(algoritması) için sonuçları karşılaştıralım:
Şekil 20. Sınıflandırma modellerini karşılaştırma
Örnek olarak performans matrisi karşılaştırmalarından görüldüğü gibi Decision Tree(DT)
algoritması diğer algoritmalara göre %81,8548 oranı ile en yüksek doğru tahmini
gerçekleştirmiştir.
Şekil 21. Sınıflandırma modelleri sayısal değerler
Sonuç kısmında ise veri tablosu üzerinde yapılan işlemler sonucunda problemin yapısının
sınıflandırma modeline uygun olduğu belirlendiği için ve bu bilgiler ile fonksiyon tipi olarak
“Classification “ çözüm algoritması olarak da Decision Tree(Karar Ağacı) modelini uygulayıp
sonuçları görebileceğimiz bir tablo oluşturacağız. Böylece müşterilerin sigorta satın alma
olasıklarını daha net gözlemleyebiliriz.
Oluşturduğumuz tablo ilk tablomuzdaki verilerle birebir aynıdır. Burada sadece bir isim
değişikliği ile yeni bir tablo oluşturarak ve buna belirlediğimiz modeli uyguladıktan sonra
Karar ağacı algoritması kapsamında sonuçların görülüp bir başka sonuç tablosuna aktarılması
hedeflenmektedir.
Şekil 22. Uygulayıcı modeli isimlendirme
Şekil 23. Uygulayıcı modeli ekleme
Arayüzümüze Evaulate and Apply sekmesinden “Apply Model” düğümünü ekledik ve yeni
oluşturduğumuz tablodan buna bağlantı yaptık.
Şekil 24. Apply Model düğümü
Tüm sınıflandırma algoritmaları seçeneklerini görmekteyiz. Biz CLAS_DT uzantılı yani karar
ağacı algoritması üzerinden gideceğiz.
CUSTOMER_ID özelliğine göre istatistiklerin sıralanması istiyoruz bu yüzden CUSTOMER_ID
seçeneğine ayrıca ekledik.
Şekil 25. Apply Model ayarları
Modelimiz yeni tablomuza başarılı bir şekilde uygulandı.
Şimdi de Data sekmesiden “Create Table or View” sekmesiden yeni bir tablo daha
oluşturarak nihai sonuçları buraya aktaracağız. Bu sekmeye gelerek tablomuzu oluşturup ve
bu tabloya “DT_PREDICTIONS” yani karar ağacı tahminleri adını veriyoruz.
Şekil 26. Tasarımın son hali
Oluşturduğumuz “DT_PREDICTIONS” tablosu üzerinde gerekli ayarları yaptıktan sonra
“CUSTOMER_ID” özelliğine göre uygulanan karar ağacı algoritması sonucu sigorta satın alan
ve almayan müşterilerin listesi ayrıntılı bir şekilde gözükmektedir.
Şekil 27. Veri madenciliği çalışmamızın sayısal değerleri
Oracle Data Miner ile örnek veri madenciliği çalışmamız bu kadar. Takıldığınız noktalar olursa
sorabilirsiniz. Bir sonraki yazıda görüşmek üzere. Esen kalın… 