I. Uluslararası Sağlıkta Performans ve Kalite Kongresi Bildiriler ...

Şekil 2. VMSSS (CRISP-DM) metodoloji döngüsü
Şekil 1’de de görüldüğü VMSSS geri dönüşlere sahip 6 adımlık bir döngüden
oluşmaktadır. Döngünün adımları; 1. Adım: İşi anlama (Business understanding),
2. Adım: Veriyi anlama (Data understanding), 3. Adım: Veri hazırlama (Data
preparation), 4. Adım: Modelleme (Modeling), 5. Adım: Değerlendirme (Evaluation)
ve 6. Adım Yerleştirme (Deployment) biçiminde şekillenmektedir (www.crisp-dm.
org, 2004).
Keşif hedeflerine, pek çok birincil veri madenciliği görevleri başarılarak ulaşılır. Bir veri
madenciliği görevi, ne tür bilginin madenlenmesi gerektiğini gösterir, aynı zamanda
veri madenciliğinin işlevselliğine de işaret eder. Aşağıda veri madenciliğinin temel
görevleri özetlenmektedir (Chen, 2001):
• Kural ve ağaç çıkarımı: Kural veya karar ağacı çıkarımı bugün kullanılan
en iyi kurulmuş ve etkin veri madenciliği teknolojileridir. Bir iş hedefi
tanımlandığında, hedef-güdümlü veri madenciliği ifadesiyle anılabilir ve
kural çıkarımı da iş hedefiyle ilgili örüntüler türetmede kullanılır.
• Karakterizasyon: Karakterizasyonun amacı, veri karakteristiklerini
genelleştirmek, özetlemek ve muhtemel zıtlıkları ortaya koymaktır.
Sınıflandırma:
• Veriyi sıklıkla özniteliklerindeki değerlere göre sınıflandırmak
isteyebiliriz. Bu veriyi önceden tanımlanmış sınıflara ayırmayı gerektirir. Genel
olarak veri sınıflandırması, bir veri tabanındaki obje kümeleri arasından genel
özelliklerini bulur ve sınıflama modeline göre farklı sınıflara ayırır.
248