Öz:Günlük hayatın bir rutini olan el yazısı; ruh hali, kişilik özellikleri ve var olan bazı hastalıklar hakkında ipuçları vermektedir. Bunun yanında adli tıp, tıp ve arkeoloji gibi birçok disiplin el yazısını kendi alanlarına yönelik çalışmalarda sıkça kullanmaktadırlar. Örneğin adli tıp; bazı vakaların aydınlatılmasında el yazısından yaş aralığı ve hangi elin kullanıldığı gibi bilgilere ulaşabilmektedir. Bu çalışmada, el yazısından cinsiyet tespiti yapan bir sistem önerilmiştir. Önerilen sistem el yazısından, el yazısını karakterize edecek bir dizi öznitelik çıkarıp bu öznitelikleri makine öğrenmesi teknikleri kullanarak cinsiyete göre sınıflandırmıştır. El yazılarının kaydedildiği tabletle hem kalemin tablete temas halindeki durumunda hem de harfler ve kelimeler arası geçişte kalemin havada izlediği eğri hareketlerinden öznitelik çıkarılmıştır. Bu öznitelikler sırası ile kalem hızı, ivmesi, yazarken oluşan sarsıntı hareketleri, eğim açısı, yazıdaki kavislenmeler, kalemin havada kalma oranı, kalemin yaptığı basınç değeri ve kalemin yükseklik açısıdır. Sınıflandırıcı olarak da Karar Ağaçları (KA), Naive Bayes (NB), Destek Vektör Makineler (DVM) ve k-en Yakın Komşu (k-EYK) yaklaşımları kullanılmıştır. Deneysel çalışmalarda kullanılan veri setinde toplam 410 örnek mevcut olup, deneysel çalışmaların başarımları doğruluk kriteri ile değerlendirilmiştir. Elde edilen sonuçlara göre en iyi başarımın DVM ile elde edildiği ve doğruluk değerinin de %85,1 olduğu görülmüştür.
Öz:As a routine of daily life handwriting gives clues about mood, personality traits and some diseases . In addition, many disciplines such as forensic medicine, medicine and archeology often use handwriting in their own fields. For example, forensic medicine can reach information from the handwriting, such as age range and which hand is used in some cases. In this study, a handwriting system was proposed. The proposed system subtracted a series of features from the handwriting that would characterize the handwriting, classifying them according to gender that used in machine learning techniques. With the tablet in which handwriting is recorded, the feature is extracted from the curve movements that the pen follows in the air both in case the pen is in contact with the tablet and in the transition between letters and words. These features are the speed of the pen, acceleration, jerking movements while writing, the angle of inclination, the curves in the writing, the rate of pen stay in the air, the pressure value of the pen and the height angle of the pen. Decision Trees (DT), Naive Bayes (NB), Support Vector Machines (SVM) and k-Nearest Neighbor (k-NN) approaches were used as the classifier. There are 410 samples in the data set used in the experimental studies and the performances of the experimental studies were evaluated with accuracy criterion. According to the results that have been observed, the best performance was obtained with SVM and the accuracy value was 85.1%.
