¹Tokat Gaziosmanpasa University, Faculty of Agriculture, Department of Animal Science, TR-60250 Tokat - TURKEY DOI : 10.9775/kvfd.2020.23955 Bu çalışmada amaç mandalarda çiğ süt bileşimi ve somatik hücre sayısı verilerini kullanarak süt kalitesinin destek vektör makineleri (DVM) ile sınıflandırılmasını araştırmaktır. Bu amaçla, 288 mandaya ait somatik hücre sayısı ve 11 değişkenli (kuru madde, yağsız kuru madde, yağ, protein, laktoz, kazein, üre, yoğunluk, asitlik, pH, donma noktası) süt bileşenleri kullanılmıştır. DVM, istatistiksel öğrenme sistemi ile yapısal risk minimizasyonuna dayanan, hem doğrusal hem de doğrusal olmayan verilere uygulanabilen yüksek genelleme kabiliyetine sahip bir sınıflandırıcıdır. DVM"de kullanılan bazı çekirdek fonksiyonlarının (polinom çekirdeği, normalleştirilmiş polinom çekirdeği ve radyal temel çekirdeği) sınıflandırma başarıları araştırılmış ve sınıflandırma performansları çok katmanlı bir algılayıcı algoritması ile karşılaştırılmıştır. Sonuçlar, polinom çekirdeğinin, normalize polinom çekirdeğinin ve radyal temel çekirdeğin sınıflandırma başarılarının sırasıyla %93.06, %92.36 ve %90.97 olduğunu, çok katmanlı algılayıcı algoritmanın sınıflandırma başarısının %81.60 olduğunu göstermiştir. Çekirdek fonksiyonlarının hata kareleri ortalamasının karekökü (RMSE) değerleri ile karşılaştırılması yapıldığında, polinom çekirdeğinin en düşük değere (0.263) sahip olduğunu, çok katmanlı algılayıcının en yüksek değere (0.384) sahip olduğu tespit edilmiştir. Bu kritere göre, en iyi sınıflandırıcının polinom çekirdek fonksiyonu, en zayıf sınıflandırıcının ise çok katmanlı algılayıcı (0.384) olduğu görülmüştür. ROC eğrisi altında kalan alan değerleri göz önüne alındığında, 1"e yakınlık kriteri açısından, normalleştirilmiş polinom çekirdeği en iyi fonksiyon, çok katmanlı algılayıcının en zayıf fonksiyon olduğu gözlenmiştir. Hassasiyet, duyarlılık ve F-ölçüm değerlerinin ayrı ayrı değerlendirilmesi sonucunda sınıflandırmada en başarılı fonksiyonun polinom çekirdeğini, en başarısız fonksiyonun ise çok katmanlı algılayıcı olduğu belirlenmiştir. Keywords : Destek vektör makinesi, Somatik hücre sayısı, Çekirdek model optimizasyonu