Alınan sonuçlar neticesinde önerilen metodun diğer metotlara oranla daha iyi bir performans sağladığı ve otomatik kümeleme problemlerinin çözümünde rahatlıkla kullanılabileceği görülmüştür.
📌 3 Maddede Bu Makale
🎯
Amaç & Hipotez:Kümeleme, verilerin analiz edilmesi için önemli bir teknik olup görüntü işleme ve istatistiksel veri analizi başta olmak üzere birçok alanda kullanılmaktadır.
📊
Temel Bulgular & Veri:Özellikle son yıllarda kümeleme probleminin çözümüne yönelik olarak yapılan çalışmaların arttığı görülmektedir.
💡
Sonuç & Katkı:Alınan sonuçlar neticesinde önerilen metodun diğer metotlara oranla daha iyi bir performans sağladığı ve otomatik kümeleme problemlerinin çözümünde rahatlıkla kullanılabileceği görülmüştür.
Kümeleme, verilerin analiz edilmesi için önemli bir teknik olup görüntü işleme ve istatistiksel veri analizi başta olmak üzere birçok alanda kullanılmaktadır. Özellikle son yıllarda kümeleme probleminin çözümüne yönelik olarak yapılan çalışmaların arttığı görülmektedir. Bu çalışmada, otomatik kümeleme problemini çözmek amacıyla yapay arı koloni algoritmasının küresel araştırma kabiliyeti geliştirilmiş ve algoritmanın vektörel araştırma yapabilmesi sağlanmıştır. Önerilen yöntem en çok bilinen data ve görüntü setleri üzerinde test edilmiştir. Alınan sonuçlar neticesinde önerilen metodun diğer metotlara oranla daha iyi bir performans sağladığı ve otomatik kümeleme problemlerinin çözümünde rahatlıkla kullanılabileceği görülmüştür.
ÖZTURK, C., HANCER, E., KARABOGA, D. (2014). KÜRESEL EN İYİ YAPAY ARI KOLONİ ALGORİTMASI İLE OTOMATİK KÜMELEME. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 29 - Sayı: 4, 0. https://ajindex.com/articles/20458
Demiralay, M. Hiyerarşik kümeleme metotları ile veri madenciliği uygulamaları, Yüksek Lisans Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü, 2005.
Jain, A.K., Murty, M.N., Flynn, P. J., "Data Clustering: A Review", ACM Computing Surveys, Cilt 31, Sayı 3, 264-323, 1999.
Manning, C.D., Schutze, H., Foundations Of Statistical Natural Language Processing, 1999.
Omran, M., Particle Swarm Optimization Methods for Pattern Recognition and Image Processing, Ph.D., Thesis, University of Pretoria, Environment and Information Technology, 2004.
Isık, M., Bölünmeli kümeleme yöntemleri ile veri madenciliği uygulamaları, Yüksek Lisans Tezi, Marmara Üniversitesi,
Fen Bilimleri Enstitüsü, İstanbul, 2006.
Yesilbudak, M., Kahraman, H. T., Karacan, H., "Object Oriented Agglomerative Hierarchical Clustering Model in Data Mining", Journal of the Faculty of Engineering and Architecture of Gazi University, Cilt 26, Sayı 1, 27-39, 2011.
Hamerly, G., Elkan, C., "Alternatives to the K-means Algorithm that Find Better Clusterings," Proceedings of the ACM Conference on Information and Knowledge Management (CIKM-2002), 600–607, 2002.
MacQueen, J., "Some methods for classification and analysis of multivariate observations," 5th Berkeley Symp. Math. Stat. Probability, 281–297, 1967.
Bezdek, J.C., Pattern Recognition with Fuzzy Objective Function Algoritms. Plenum Press, New York, 1981.
Durmuş, M.S., Veri kümeleme algoritmalarının performansları üzerine karşılaştırmalı bir çalışma, Yüksek Lisans Tezi, Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü, 2005.
Omran, M. G. H., Salman, A., Engelbrecht, A. P. "Dynamic clustering using particle swarm optimization with application in image segmentation", Pattern Analysis and Applications, Cilt 8, Sayı 4, 332-344, 2006.
Das, S., Abraham, A., Konar, A., "Automatic Clustering Using an Improved Differential Evolution Algorithm", IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, Cilt 38, Sayı 1, 218-237, 2008.
Das, S., Konar, A., "Automatic image pixel clustering with an improved differential evolution", Applied Soft Computing, Cilt 9, Sayı 1, 226-236, 2009.
Maulik, U., Saha, I., "Automatic Fuzzy Clustering Using Modified Differential Evolution for Image Classification", IEEE Transactions on Geoscience and Remote Sensing, Cilt 48, Sayı 9, 3503-3510, 2010.
Ouadfel, S., Batouche, M., Taleb-Ahmed, A., "A Modified Particle Swarm Optimization Algorithm for Automatic Image Clustering", International Symposium on Modelling and