SavedAdd your journal

Journals / Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi / 2016 / Cilt: 8 Sayı: 15

Temel Bileşenler Analizi Ve K-Ortalama Kümeleme Yönteminin Birlikte Kullanımı: Bir Örnek Uygulama- Combined Use Of Principal Component Analysis And K-Clustering Method: A Case Study

Nilgün Şengöz
Gültekin Özdemir
Pages
85–94
Publication Date
2016-06-13
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)

Sonrasında temel bileşenler analizi kullanılarak boyut indirgenmiş ve böylelikle 16 olan hata sayısı 13’e düşmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, veri setlerinin kümelenmesi için kullanılan yöntemlerden biri olan K-ortalama yöntemi incelenmiştir.
📊
Key Findings & Data:Buna istinaden büyük ölçekte verilen veri setlerini kümelemekte bir takım zorluklar yaşandığından ötürü boyut indirgemede yaygın olarak kullanılan Temel Bileşenler Analizi yöntemi kullanılmıştır. 3 farklı kümeye ayrılmak istenen veri seti için öncelikle, k-ortalama yöntemi uygulanmış olup, toplamdaki hata sayısı 16 olarak görülmüştür.
💡
Conclusion & Impact:Sonrasında temel bileşenler analizi kullanılarak boyut indirgenmiş ve böylelikle 16 olan hata sayısı 13’e düşmüştür.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:Temel Bileşenler Analizi · K-Ortalama · Veri Boyut İndirgeme

Özet

Bu çalışmada, veri setlerinin kümelenmesi için kullanılan yöntemlerden biri olan K-ortalama yöntemi incelenmiştir. Buna istinaden büyük ölçekte verilen veri setlerini kümelemekte bir takım zorluklar yaşandığından ötürü boyut indirgemede yaygın olarak kullanılan Temel Bileşenler Analizi yöntemi kullanılmıştır. 3 farklı kümeye ayrılmak istenen veri seti için öncelikle, k-ortalama yöntemi uygulanmış olup, toplamdaki hata sayısı 16 olarak görülmüştür. Sonrasında temel bileşenler analizi kullanılarak boyut indirgenmiş ve böylelikle 16 olan hata sayısı 13’e düşmüştür.

🔖

Cite This Article

Şengöz, N., Özdemir, G. (2016). Temel Bileşenler Analizi Ve K-Ortalama Kümeleme Yönteminin Birlikte Kullanımı: Bir Örnek Uygulama- Combined Use Of Principal Component Analysis And K-Clustering Method: A Case Study. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt: 8 Sayı: 15, 85–94. https://ajindex.com/articles/1284528

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Alpar, Reha (2011). Uygulamalı Çok Değişkenli İstatistiksel Yöntemler. Detay Yayıncılık, 3. baskı
  2. Arthur, David & Vassilvitskii, Sergei (2007) k-means++: The Advantages of Careful Seeding
  3. Ding, Chris, He, Xiaofeng (2004), “K-means Clustering via Principal Component Analysis”, Proceedings of the 21st International Conference on Machine Learning, Banff, Canada.
  4. Hartigan, John., & Wang, M. (1979). A K-means clustering algorithm. Applied Statistics, 28, 100–108.
  5. Hatcher, Larry (1994), A Step-by-Step Approach to Using the SAS System for Factor Analysis and Structural Equation Modeling, Cary, NC: The SAS Institute. Review pp. 325-339.
  6. Jang, Jyh-Shing Roger. Jyh-Shing Roger Jang, Chuen-Tsai Sun, Eiji Mizutani, (1997) “Neuro- fuzzy and soft computing: a computational approach to learning and machine intelligence”
  7. Jolliffe, I. (2002). Principal Component Analysis. Springer. 2nd edition.
  8. Lloyd, Sarah. (1957). Least squares quantization in pcm. Bell Telephone Laboratories Paper, Marray Hill.
  9. MacQueen, James. (1967). Some methods for classiŞcation and analysis of multivariate observations. Proc. 5th Berkeley Symposium, 281–297.
  10. Pinkowski, Brain, (1997). Principal component analysis of speech spectrogram images. Pattern Recogn, 30, 777–787.
  11. Ramsay, James, Munhall KG, Gracco VL, Ostry DJ. (1996). Functional data analyses of lip motion. J Acoust Soc Am., 99, 3718-3727.