Veri Madenciliğinde Kullanılan Kümeleme Algoritmalarının Karşılaştırılması Üzerine Bir İnceleme

Abstract

Günümüz dünyasında veri madenciliği, yaĢanan olayların anlaĢılabilmesi, yorumlanabilmesi ve geleceğe dair tahminlerin yapılabilmesi için büyük önem arz etmektedir. Bu nedenle, istatistik teknikleri her geçen gün değiĢmekte ve yenilenmektedir. Özellikle, günümüzde büyük verilerin anlaĢılabilmesi amacıyla makine öğrenme teknikleri sıklıkla kullanılmaktadır. Bu çalıĢmada, literatürde yoğun olarak kullanılan k-ortalama kümeleme algoritması çeĢitlerinden klasik, bulanık ve torbalı k-ortalamalar yöntemlerinin kümeleme performanslarının karĢılaĢtırılması amaçlanmaktadır. Bu doğrultuda veri setine ulaĢılabilen 132 ülke beĢeri sermaye özellikleri doğrultusunda kümelenmiĢtir. ÇalıĢmanın sonucunda, torbalı küme algoritmasının zaman açısından diğerlerinden daha yavaĢ olduğu ancak daha baĢarılı kümeleme yaptığı bulgusuna ulaĢılmıĢtır. Benzer Ģekilde, bulanık k-ortalama algoritmasının klasik k-ortalamalara göre daha baĢarılı olduğu görülmüĢtür.

Classification of Forest Fires in European Countries by Clustering Analysis Techniques

“…The optimal number of clusters is determined by using mathematical measurement methods (Elbow and Silhouettes techniques) [34,38].…”

Investigation of Egg External Quality Characteristics of Linda Geese with Data Mining Methods

“…Figure 1: Histogram plots of some external quality characteristics of eggs K-means cluster structures were formed using weight and shape index measurements of 288 Linda goose eggs. The optimal number of clusters was determined using mathematical metrics (Elbow and Silhouettes methods) (Kassambara 2017, Rençber 2019. The results of the two approaches used to determine the optimal cluster number were given in Figure 2.…”