Veri madenciliği tekniklerini kullanarak sosyal ağ tabanlı sınıflandırıcı geliştirilmesi

Abstract

AIDS HIV'in sebep olduğu ölümcül bir hastalıktır. Bağışıklık sistemine saldıran bu hastalık beyaz kan hücreleri üstünde çoğalarak bütün vücuda yayılmaktadır. Hastalığın yaşam döngüsünde HIV-1 protaz enzimi tarafından kırılan amino asit sekizlileri virüs tarafından kendi proteinlerini oluşturmakta kullanılmaktadır. Bu doğrultuda hangi sekizlilerin virüs tarafından kırılabileceğini tahmin etmek yenilikçi ve başarılı ilaçlar geliştirilmesi açısından önem arz etmektedir. Bu çalışmada farklı alanlarda da uygulanabilecek yenilikçi bir sınıflandırıcı önerilmektedir. Bu sınıflandırıcı veri madenciliği tekniklerini kullanarak oluşturulan bir sosyal ağ üzerinde analizler yaparak yeni örneklerin sınıflarını tahmin etmekte kullanılmaktadır. İki ana kısımdan oluşan çalışmamızda ilk olarak sık öğe kümelerinin öznitelik olarak değerlendirilme süreci anlatılmış, ikinci kısımda ise bu öznitelikleri kullanan sınıflandırıcıyı geliştirirken kullandığımız yaklaşım ve sınıflandırıcının çalışma mekaniği açıklanmıştır. Sonuçlarımız literatürde önerilen yöntem ve diğer makine öğrenme yöntemleri ile karşılaştırılmıştır ve bu sonuçlar ümit vericidir.

AIDS is a deadly disease that is caused by HIV. HIV attacks the immune system of the body and uses white blood cells to make replicates of itself and spreads them to the everywhere in the body. In the life cycle of disease HIV-1 protease enzyme is in charge of cleaving an amino acid octamer into peptides which are used to create proteins by virus. It is very critical to induce a model and predict cleavage of HIV-1 protease on octamers for developing successful medicine. In this work, a novel classifier is proposed which can also be used in different domains. This classifier analyzes a social network that is created by using data mining techniques to predict the class values of new instances. This work consists of two main parts, in the first part evaluation process of frequent itemsets as features is discussed. In the second part, our approach on developing the classifier and the working mechanism of classifier is explained. Our results are compared with the methodology that is proposed on the technical literature and with other machine learning methods and results are promising.