Sınıflandırma öğrenilmesi makine öğrenmesi ve veri tabanı madenciliği disiplinlerinde önemli bir araştırma konusudur. Bu çalışmada ÖİKS (Öznitelik İzdüşümü Kullanılarak Sınıflandırma) öznitelik izdüşümü tabanlı, artımlı biçimde sınıflandırma öğrenen bir algoritma geliştirilmiştir. Algoritmanın öğretme bölümünde nominal öznitelikler için noktalar ve her bir noktaya düşen öğretme örneklerinin sınıflara dağılımı belirlenir. Nümerik özniteliklerde ise her bir sınıf için gaussian olasılık yoğunluğu fonksiyonları oluşturulur. Algoritmanın sorgulama (test) bölümünde ise her bir öznitelik izdüşümü oyunu sınıflar arasında bölüştürür. Özniteliklerin oy vektörleri belirli oy değerlendirme şekillerine göre kullanılıp, sorgu örneğinin sınıfı tahmin edilmeye çalışılır.

Classification learning is an important research topic in machine learning and data mining disciplines. In our study, CUFP (Classification by Using Feature Projections), a feature projections-based incremental classificationlearning algorithm, was developed. The training phase of CUFP determines points and the distribution of the training instances at each point to the classes in the case of nominal feature projections. For linear feature projections, gaussian probability density functions are constructed for each class. In the classification phase, each feature projection distributes votes among classes. The vote vectors of features are evaluated according to some vote evaluation strategies and the query instance’s class is predicted.