Ali ÖZDEMİR, Aytuğ ONAN, Vildan ÇINARLI ERGENE

İş Memnuniyeti Faktörlerini Belirlemek ve Analiz Etmek için Çevrimiçi Çalışan Değerlendirmelerini Kullanan ilgili Makine Öğrenmesi ve Topluluk Öğrenmesi Tabanlı Yöntem

Bu çalışmada, makine öğrenmesi tekniklerinin sınıflandırmada yüksek performans elde edebileceği ve büyük veri setleri ile etkin ve ölçeklenebilir bir şekilde çalışabileceği vurgulanmıştır. Bu çalışmada kullanılan veri seti www.kaggle.com adresinden elde edilmiştir. Google, Amazon, Netflix, Facebook, Apple ve Microsoft'ta çalışan kişilerden toplanan toplam 67529 yorum değerlendirilmiştir. N-gram modeli, metin madenciliğinde önemli bir temsil şemasıdır. N-gram modelleri, unigram modeli (N = 1), bigram (N = 2) ve trigram (N = 3) şeklindedir. TP, TF ve TF-IDF olmak üzere üç farklı ağırlıklandırma şeması ve N-gram modeli (bigram, unigram ve trigram) olarak geleneksel makine öğrenmesi tabanlı analiz için üç farklı ağırlıklandırma şeması kullanılmıştır. Modelleri eğitmek için beş farklı denetimli öğrenme algoritması kullanılmıştır: Naive Bayes, Destek Vektör Makineleri (SVM), Lojistik Regresyon (LR), K-En Yakın Komşu (KNN) ve Rastgele Orman (RF).

Anahtar Kelimeler:

Makine öğrenmesi, metin sınıflandırma, yapay zeka, topluluk öğrenmesi

Machine Learning and Ensemble Learning Based Method Using Online Employee Assessments to Identify and Analyze Job Satisfaction Factors

In this paper it was emphasized that machine learning techniques can achieve high performance in classification and work effectively and scalably with large data sets. The dataset used in this study was obtained from www.kaggle.com. A total of 67529 comments collected from people working at Google, Amazon, Netflix, Facebook, Apple and Microsoft were evaluated. The N-gram model is an important representation scheme in text mining. N-gram models are the unigram model (N = 1), bigram (N = 2), and trigram (N = 3). Three different weighting schemes as TP, TF, and TF-IDF, and three different weighting schemes for traditional machine learning-based analysis as N-gram model (bigram, unigram and trigram) was used. Five supervised learning algorithm was used to train models: Naive Bayes, Support Vector Machines (SVM), Logistic Regression (LR), K-Nearest Neighbor (KNN) and Random Forest (RF).

Keywords:

machine learning, text classification, artificial intelligence, ensemble learning,

PDF

___

Kaynar, O., Yıldız, M., Görmez, Y., Albayrak, A. 2016. Makine Öğrenmesi Yöntemleri ile Duygu Analizi. International Artificial Intelligence and Data Processing Symposium (IDAP'16), 17-18 Eylül, Malatya, 1-8
Kazan, S., Karakoca, H. 2019. Makine Öğrenmesi ile Ürün Kategorisi Sınıflandırma. Sakarya University Journal of Computer and Information Sciences, 2(2019), 1-10
Liu, H., & Zhang, S. (2012). Noisy data elimination using mutual k-nearest neighbor for classification mining. Journal of Systems and Software, 85(5), 1067-1074.
Kalaycı, T. E. (2018). Kimlik hırsızı web sitelerinin sınıflandırılması için makine öğrenmesi yöntemlerinin karşılaştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(5), 870-878.
Dietterich, T. G. (2000, June). Ensemble methods in machine learning. In International workshop on multiple classifiersystems (pp. 1-15). Springer, Berlin, Heidelberg
Onan A., Korukoğlu S., Bulut H., Ensemble of keyword extraction methods and classifiers in text classification, Expert Systems with Applications, 2016, 57, 232-247.
Breiman L. Random forests. MachLearn 2001, 45: 5-32
Ho, T. K. (1998). Ther and om subspace method forc onstructing decision forests. IEEE transactions on pattern analysis and machine intelligence,20(8), 832-844
Polikar R. Ensemble learning. In: Zhang C, Ma Y (eds). Ensemble machine learning. Springer Science, Business Media, 2012: 1-34.
Wolpert DH. Stacked generalization. NeuralNetw 1992, 5: 241-59.
Kaynar, O., Yıldız, M., Görmez, Y., & Albayrak, A. (2016). td öğrenmesi yöntemleri ile Duygu Analizi. In International Artificial Intelligence and Data Processing Symposium (IDAP'16) (pp. 17-18)