AI Summary & Key Takeaways
AI InsightThe findings demonstrate that the GA-based approach achieves higher clustering accuracy than both k-means and Ward methods across all data types examined.
📌 3 Key Takeaways
Abstract
Cluster analysis, widely used in data mining, is the process of partitioning n units with m features into k sub-clusters using various algorithms. Different clustering algorithms may yield divergent results for the same dataset, making it essential to identify the most appropriate method for accurate cluster assignment. In this study, a new fitness function combining within-cluster distances, between-cluster distances, and silhouette width was defined, and a genetic algorithm (GA)-based clustering approach was developed accordingly. The study comprises a comparative Monte Carlo simulation and a real-data application. In the simulation phase, 144 experimental conditions were generated using the R programming language by varying sample size, number of clusters, cluster overlap, noise, and outlier parameters, with 100 replications each; GA was compared against k-means and Ward's hierarchical clustering. In the real-data application, the Seeds and Iris benchmark datasets were used, and results were validated via 10-fold cross-validation. Method performance was evaluated using the Fowlkes-Mallows (F), Mirkin (M), and Variance of Information (VI) cluster validity indices. The findings demonstrate that the GA-based approach achieves higher clustering accuracy than both k-means and Ward methods across all data types examined.
Özet
Veri madenciliğinde yaygın şekilde kullanılan kümeleme analizi, m adet özelliğe sahip n adet birimin çeşitli algoritmalar aracılığıyla k adet alt kümeye ayrılması işlemidir. Farklı kümeleme algoritmaları aynı veri seti için birbirinden farklı sonuçlar üretebilmekte; bu durum, birimlerin doğru biçimde kümelendiği en uygun yöntemin belirlenmesini zorunlu kılmaktadır. Bu çalışmada, küme içi ve kümeler arası uzaklıklar ile silhouette genişliğini birleştiren yeni bir uygunluk fonksiyonu tanımlanmış; bu fonksiyon aracılığıyla genetik algoritma (GA) tabanlı kümeleme yaklaşımı geliştirilmiştir. Çalışma, karşılaştırmalı bir Monte Carlo simülasyonu ve gerçek veri uygulamasından oluşmaktadır. Simülasyon aşamasında R programlama dili kullanılarak birim sayısı, küme sayısı, küme çakışıklığı, gürültü ve sapan değer parametrelerinin farklı kombinasyonlarını içeren 144 koşul için 100'er tekrarlı yapay veri setleri üretilmiş; GA yöntemi k-ortalama ve Ward hiyerarşik kümeleme yöntemleriyle karşılaştırılmıştır. Gerçek veri uygulamasında Seeds ve Iris benchmark veri setleri kullanılmış, sonuçlar 10 katlı çapraz doğrulama ile doğrulanmıştır. Yöntemlerin performansı Fowlkes-Mallows (F), Mirkin (M) ve bilgi varyansı (VI) küme geçerlilik indeksleri ile değerlendirilmiştir. Elde edilen bulgular, GA yönteminin her iki veri türünde de k-ortalama ve Ward yöntemlerine kıyasla daha yüksek kümeleme doğruluğu sağladığını ortaya koymaktadır.