Classification is one of the most important research topics of data mining aimed to accurately predict the target class for each case in the data. In classification process, it is provided that the system learns from training data and, when confronted a similar dataset, predicts the class in which the dataset should be. In computer systems, learning can be done in two ways: learning from the data and learning from the expert. When data is available, it is possible to make the necessary inferences with machine learning methods, otherwise methods that benefit from expert opinion should be used. In this thesis study, classification performances of fuzzy inference systems that learn from experts and data mining methods that learn from the data are compared in different sample sizes (100, 250, 500, 1000). The data mining algorithms used in the comparison are Artificial Neural Networks, Random Forest, Support Vector Machine, which are frequently encountered classifiers in the literature. In the evaluations, accuracy, precision, sensitivity and F-criterion were used as classification performance measures.In this study, data were generated for 6 independent variables (sex, chest pain type, max heart rate, exercise induced, oldpeak and major vessels) determined by variable importance, preserving the characteristics of heart disease data in the University of California Irvine (UCI) machine learning database. In conclusion, Artificial neural networks, one of the methods of data mining, and Fuzzy Inference Systems have similar results and also have better classification performance than Random Forest and Support Vector Machine.

Sınıflandırma, veri setinde her gözlem için hedef sınıfı doğru tahmin etmeyi amaçlayan veri madenciliğinin en önemli araştırma konularından birisidir. Sınıflandırma işleminde sistemin eğitim verisi üzerinden öğrenmesi ve benzer bir veri seti ile karşılaşması halinde o verinin ait olacağı sınıfı tahmin etmesi sağlanır. Bilgisayar sistemlerinde öğrenme iki şekilde olabilir: veriden öğrenme ve uzmandan öğrenme. Elde veri olması halinde makine öğrenmesi yöntemleri ile gerekli çıkarsamaları yapmak olası iken, elde veri olmadığı durumlarda uzman görüşünden yararlanan yöntemlere başvurulmalıdır. Bu tez çalışmasında uzmandan öğrenen bulanık çıkarsama sistemleri ile veriden öğrenen veri madenciliği yöntemlerinin farklı örnek büyüklüklerinde (100, 250, 500, 1000) sınıflandırma performansları karşılaştırılmıştır. Karşılaştırmada kullanılan veri madenciliği algoritmaları literatürde sıklıkla karşılaşılan sınıflandırıcılar olan, Yapay Sinir Ağları, Random Forest ve Destek Vektör Makinesi'dir. Değerlendirmelerde, sınıflandırma performans ölçütleri olarak doğruluk, kesinlik, duyarlılık ve F-ölçütü kullanılmıştır. Bu çalışmada, University of California Irvine (UCI) makine öğrenmesi veritabanında yer alan kalp hastalığı verisinin özellikleri korunarak değişken önemine göre belirlenen 6 bağımsız değişken (cinsiyet, göğüs ağrı tipi, maksimum kalp atım hızı, egzersizin neden olduğu anjin, oldpeak ve ana damar sayısı) için üretilen veriler kullanılmıştır. Çalışma sonucunda, veri madenciliği yöntemlerinden biri olan Yapay Sinir Ağları ve Bulanık Çıkarsama Sistemleri benzer sonuçlar vermiştir ve Random Forest ve Destek Vektör Makinesi yöntemlerine göre daha iyi sınıflama performansı göstermişlerdir.