Arslan, GüvençTütüncü, Gözde YazgıKayaalp, Necla2023-06-162023-06-162013https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=iTkOhwevEenJZ3onUvs52j7ZW3xq5JbAmEFkjBRqmnrxRjWS9uF7NskzDsqiafsKhttps://hdl.handle.net/20.500.14365/89Bu tezde, bağımsızlık varsayımı dikkate alınmadan sayısal niteleyiciler için yeni bir Bulanık Bayes Sınıflaması önerilmiştir. Sınıflamada, yüksek doğruluğu elde etmek için, Bulanık C-Means Kümelemesi (BCM) kullanılarak üyelik fonksiyonları oluşturulmuştur. BCM kullanımındaki temel amaç, bir uzmana danışmak yerine üyelik fonksiyonlarını doğrudan veri setinden elde etmektir. Önerilen yöntem, yalnızca sayısal niteleyicileri içeren ve alanyazında iyi bilinen iki veri seti üzerinde gösterilmistir.In this thesis, a new Fuzzy Bayes Classification is proposed for numerical attributes without considering the independence assumption. In order to get high accuracy in classification membership functions are constructed by using Fuzzy C-Means Clustering (FCM). The main objective in using FCM is to obtain membership functions directly from the data set instead of consulting to an expert. The proposed method is demonstrated on two well-known data sets from the literature which consist of numerical attributes only.eninfo:eu-repo/semantics/openAccessMahalanobis uzaklığıBayes sınıflandırıcısıBulanık küme teorisi.Mahalanobis distanceBayes classificationFuzzy set theory.İstatistikStatisticsMaster Thesis