SavedAdd your journal

Journals / İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi / 2007 / Cilt: 6 - Sayı: 11

K-Means, K-Medoids Ve Bulanık C-Means Algoritmalarının Uygulamalı Olarak Performanslarının Tespiti

Meltem IŞIK
A. Yılmaz ÇAMURCU
Pages
31–45
Publication Date
2007-06-01
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Literatürde yer alan sentetik veri setleri kullanılmıştır

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Kümeleme algoritmalarından bölünmeli kümeleme tekniği, nesneleri giriş parametre sayısı kadar kümeye bölmektedir.
📊
Key Findings & Data:Bölünmeli kümeleme algoritmaları, merkez tabanlı kümeleri tespit etmede başarılıdır.
💡
Conclusion & Impact:Literatürde yer alan sentetik veri setleri kullanılmıştır
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Bulanık C-means · Bölünmeli Kümeleme · K-means

Özet

Kümeleme algoritmalarından bölünmeli kümeleme tekniği, nesneleri giriş parametre sayısı kadar kümeye bölmektedir. Bölünmeli kümeleme algoritmaları, merkez tabanlı kümeleri tespit etmede başarılıdır. Bu çalışmada, başlıca bölünmeli kümeleme algoritmalarından k-means, k-medoids ve bulanık c-means algoritmalarının kümeleme yetenekleri ve performansları karşılaştırılmıştır. Literatürde yer alan sentetik veri setleri kullanılmıştır

🔖

Cite This Article

IŞIK, M., ÇAMURCU, A. Y. (2007). K-Means, K-Medoids Ve Bulanık C-Means Algoritmalarının Uygulamalı Olarak Performanslarının Tespiti. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, Cilt: 6 - Sayı: 11, 31–45. https://ajindex.com/articles/124061

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. Han, J., and Kamber, M., (2006),
  2. Data Mining Concepts and Techniques, Morgan Kauffmann Publishers Inc. Höppner, F., Klawonn, F., Kruse, R., and Runkler, T., (2000),
  3. Fuzzy Cluster Analysis, John Wiley&Sons, Chichester. Jain, A. K., Murty, M. N., and Flynn, P. J., (1999), “Data Clustering: A Review”, ACM Computing Surveys, 31, 3. Kaufman, L., and Rousseeuw, P. J., (1987), Clustering by Means of Medoids,” Statistical Data Analysis Based on The L1–Norm and Related Methods, edited by Y. Dodge, North-Holland, 405–416.
  4. Kaufman, L., and Rousseeuw, P. J., (1990), Finding Groups in Data: An Introduction to Cluster Analysis, John Wiley and Sons. Lindahl, T., and Gustaffson, P., “Sentetik Veri Seti, Küçük Şekiller ve Örüntülerin Kaynağı”, http://user.it.uu.se/~kostis/Teaching/DM/Assignments/ (Erişim Tarihi: Mayıs 2005)
  5. MacQueen, J. B., (1967),
  6. MacQueen, Some Methods for Classification and Analysis of Multivariate Observations, Proc. Symp. Math. Statist. and Probability (5th), 281– 297. Moertini, V. S., (2002), “Introduction to Five Clustering Algorithms”, Integral, 7, 2. Pang-Ning Tan, P. N., Steinbach, M., and Kumar, V., (2006),
  7. Introduction to Data Mining, Addison Wesley. Salem, S. A., and Nandi, A. K., (2005), “New Assessment Criteria for Clustering Algorithms”, Proceedings of the IEEE International Workshop on Machine Learning for Signal Processing (MLSP-2005),
  8. Mystic, CT, USA, 285-290.
  9. Teknomo, K., http://people.revoledu.com/kardi/tutorial/kMean/, (Erişim Tarihi: Eylül 2005)
  10. Xu, R., and Wunsch, II. D., (2005), “Survey of Clustering Algorithms”, IEEE Transactions On Neural Networks, 16, 3. Zaïane, O., and Pei, Y., Sentetik Veri Seti Documents_Sim, Mars ve Image Extraction’ın Cluster.html (Erişim Tarihi: Eylül 2005). http://www.cs.ualberta.ca/~yaling/Cluster/Applet/Code/