KaydedilenlerDerginizi ekleyin

Dergiler / 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
Sayfa
31–45
Yayın Tarihi
2007-06-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Literatürde yer alan sentetik veri setleri kullanılmıştır

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Kümeleme algoritmalarından bölünmeli kümeleme tekniği, nesneleri giriş parametre sayısı kadar kümeye bölmektedir.
📊
Temel Bulgular & Veri:Bölünmeli kümeleme algoritmaları, merkez tabanlı kümeleri tespit etmede başarılıdır.
💡
Sonuç & Katkı:Literatürde yer alan sentetik veri setleri kullanılmıştır
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler: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

🔖

Bu Makaleye Atıf Yap

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

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (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/