KaydedilenlerDerginizi ekleyin

Dergiler / Balıkesir Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2019 / Cilt: 21 - Sayı: 1

Veri kümeleme problemleri için artımlı bir bulanık algoritma

An incremental fuzzy algorithm for data clustering problems

Elvin NASİBOV
Burak ORDİN
Sayfa
169–183
Yayın Tarihi
2019-03-15
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)

Kesin kümeleme için geliştirilmiş olan artımlı algoritmalar iki ana avantaja sahiptir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Veri kümeleme analizi veri madenciliğinin önemli bir parçasıdır.
📊
Temel Bulgular & Veri:Kesin ve esnek kümeleme olmak üzere iki sınıfta ele alınabilir.
💡
Sonuç & Katkı:Kesin kümeleme için geliştirilmiş olan artımlı algoritmalar iki ana avantaja sahiptir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:A fuzzy c-means · global k-means algorithm · fuzzy clustering

Özet

Veri kümeleme analizi veri madenciliğinin önemli bir parçasıdır. Kesin ve esnek kümeleme olmak üzere iki sınıfta ele alınabilir. Kesin kümelemede bir veri seti kümelere ayrıldığında herbir veriseti içerisindeki her eleman yalnız ve yalnız bir kümeye ait olabilir.Esnek kümelemede ise kesin kümelemenin aksine her bir eleman belirli bir üyelik derecesi ile birden fazla kümeye ait olabilir. Kesin kümeleme için geliştirilmiş olan artımlı algoritmalar iki ana avantaja sahiptir.

Abstract

Data Cluster analysis is an important part of data mining. It can be handled as two types, hard and soft clustering. In hard clustering, a dataset is divided into distinct clusters and each data in the dataset belongs to exactly one cluster. On the contrary data can belong to more than one cluster in soft clustering and each data can be associated with each cluster by a membership degree. Incremental algorithms which are developed for hard clustering have two main advantages. They based on the nonsmooth-nonconvex mathematical model which allows significantly reduce the number of variables and they choose one cluster center for each step that leads to obtain better objective function. In this paper, we propose an incremental fuzzy algorithm for soft clustering problems and present results of numerical experiments on 11 real-world datasets. These results demonstrate that the proposed algorithm is efficient for solving the soft clustering problems.

🔖

Bu Makaleye Atıf Yap

NASİBOV, E., ORDİN, B. (2019). Veri kümeleme problemleri için artımlı bir bulanık algoritma. Balıkesir Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 21 - Sayı: 1, 169–183. https://ajindex.com/articles/250703

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (19)

  1. Zadeh, A.L., Fuzzy sets, Information and Control, 8, 338-353, (1965).
  2. Al-Sultan, K.S., A tabu search approach to the clustering problem, Pattern Recognition, 28(9), 1443-1451, (1995).
  3. Brown, D.E., Entail, C.L., A practical application of simulated annealing to the clustering problem, Pattern Recognition, 25, 401-412, (1992).
  4. Diehr, G., Evaluation of a branch and bound algorithm for clustering, SIAM J. Scientific and Statistical Computing, 6, 268-284, (1985).
  5. Dubes, R., Jain, A.K., Clustering techniques: the user's dilemma, Pattern Recognition, 8, 247-260, (1976).
  6. Hanjoul, P., Peeters, D., A comparison of two dual-based procedures for solving the p-median problem, European Journal of Operational Research, 20, 387-396, (1985).
  7. Hansen, P., Jaumard, B., Cluster analysis and mathematical programming, Mathematical Programming, 79(1-3), 191-215, (1997).
  8. Hansen, P., Mladenovic, N., J-means: a new heuristic for minimum sum-of-squares clustering, Pattern Recognition, 4, 405-413, (2001).
  9. Hansen, P., Mladenovic, N., Variable neighborhood decomposition search, Journal of Heuristic, 7, 335-350, (2001).
  10. Koontz, W.L.G., Narendra, P.M., Fukunaga, K., A branch and bound clustering algorithm, IEEE Transactions on Computers, 24, 908-915, (1975).
  11. Du Merle, O., Hansen, P., Jaumard, B., Mladenovic, N., An interior point method for minimum sum-of-squares clustering, SIAM Journal on Scientific Computing, 21, 1485-1505, (2001).
  12. Selim, S.Z., Al-Sultan, K.S., A simulated annealing algorithm for the clustering, Pattern Recognition, 24(10), 1003-1008, (1991).
  13. Spath, H., Cluster Analysis Algorithms, Ellis Horwood Limited, Chichester, (1980).
  14. Sun, L.X., Xie, Y.L., Song, X.H., Wang, J.H., Yu, R.Q., Cluster analysis by simulated annealing, Computers and Chemistry, 18, 103-108, (1994).
  15. Likas, A., Vlassis, N. and Verbeek, J., The global k-means clustering algorithm, Pattern Recognition, 36, 451 – 461, (2001).
  16. Bagirov, A.M., Modified global k-means algorithm for minimum sum-of-squares clustering problems, Pattern Recognition, 41, 3192- 3199, (2008).
  17. Vanisri, D. and Loganathan, C., An efficient fuzzy clustering algorithm based on modified k-means, International Journal of Engineering Science and Technology, 5949-5958, (2010).
  18. Ordin, B., Bagirov, A., A heuristic algorithm for solving the minimum sum of squares clustering problems, Journal of Global Optimization, 61, 341–361, (2015).
  19. Bagirov, A., Ordin, B., Ozturk, G., Xavier, A.E., An ıncremental clustering algorithm based on hyperbolic smoothi