KaydedilenlerDerginizi ekleyin

Dergiler / Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi / 2020 / Cilt: 36 - Sayı: 3

Çok Değişkenli Normal Dağılımların Karmasına Dayalı Kümelemede TOPSIS Yöntemiyle ile Küme Sayısının Belirlenmesi

Serkan AKOĞUL
Murat ERİSOGLU
Ülkü ERİŞOĞLU
Sayfa
472–480
Yayın Tarihi
2020-12-31
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)

Uygulama sonucunda uygun küme sayısının belirlenmesinde önerilen yaklaşım ilgili bilgi kriterlerine göre daha başarılı bir performans göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Çok kriterli karar verme (ÇKKV) yöntemleri, birden fazla kriterin optimizasyonu ile mümkün çözüm kümeleri içerisinden alternatifin seçimi, sıralanması ve sınıflanmasını sağlar.
📊
Temel Bulgular & Veri:Bu çalışmanın amacı, ÇKKV yöntemlerinden birisi olan TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) ile modele dayalı kümeleme analizinde küme sayısını belirlemektir.
💡
Sonuç & Katkı:Uygulama sonucunda uygun küme sayısının belirlenmesinde önerilen yaklaşım ilgili bilgi kriterlerine göre daha başarılı bir performans göstermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Bilgi Kriterleri · Çok kriterli Karar Verme · Modele Dayalı Kümeleme

Özet

Çok kriterli karar verme (ÇKKV) yöntemleri, birden fazla kriterin optimizasyonu ile mümkün çözüm kümeleri içerisinden alternatifin seçimi, sıralanması ve sınıflanmasını sağlar. Bu çalışmanın amacı, ÇKKV yöntemlerinden birisi olan TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) ile modele dayalı kümeleme analizinde küme sayısını belirlemektir. Çalışmada, veri setleri aday küme sayılarına göre modele dayalı kümeleme ile modellenmiş ve elde edilen her bir kümeleme için Akaike bilgi kriteri (AIC), kanıtların yaklaşık ağırlık kriteri (AWE), Bayesci bilgi kriteri (BIC), sınıflandırma olabilirlik kriteri (CLC) ve Kullback bilgi kriteri (KIC) birer karar kriteri olarak hesaplanmıştır. Kriterlerin ağırlıklandırılmasın da simülasyon sonuçları kullanılmış olup TOPSIS ile veri seti için en uygun küme sayısı belirlenmiştir Önerilen yaklaşımın başarısı gerçek ve sentetik veri setleri üzerinde test edilmiştir. Uygulama sonucunda uygun küme sayısının belirlenmesinde önerilen yaklaşım ilgili bilgi kriterlerine göre daha başarılı bir performans göstermiştir.

🔖

Bu Makaleye Atıf Yap

AKOĞUL, S., ERİSOGLU, M., ERİŞOĞLU, Ü. (2020). Çok Değişkenli Normal Dağılımların Karmasına Dayalı Kümelemede TOPSIS Yöntemiyle ile Küme Sayısının Belirlenmesi. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, Cilt: 36 - Sayı: 3, 472–480. https://ajindex.com/articles/252996

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (17)

  1. Titterington, D.M., Smith, A. F., Makov, U. E. 1985. Statistical analysis of finite mixture distributions, Wiley
  2. Pearson, K. 1894. Contributions to the mathematical theory of evolution, Philosophical Transactions of the Royal Society of London. A, 185, 71-110
  3. Wolfe, J. H. 1965. A computer program for the maximum likelihood analysis of types, Naval Personnel Research Activity San Diego Calif
  4. Wolfe, J. H. 1967. NORMIX: Computational methods for estimating the parameters of multivariate normal mixtures of distributions, Naval Personnel Research
  5. Day, N. E. 1969. Estimating the components of a mixture of normal distributions, Biometrika, 56 (3), 463-474
  6. Binder, D. A. 1978. Bayesian cluster analysis, Biometrika, 65 (1), 31-38
  7. Dempster, A. P., Laird, N. M., Rubin, D. B. 1977. Maximum likelihood from incomplete data via the EM algorithm, Journal of the royal statistical society. Series B (methodological), 1-38
  8. Celeux, G., Govaert, G. 1993. Comparison of the mixture and the classification maximum likelihood in cluster analysis, Journal of Statistical Computation and simulation, 47 (3-4), 127-146
  9. Celeux, G., Govaert, G. 1995. Gaussian parsimonious clustering models, Pattern recognition, 28 (5), 781-793
  10. Fraley, C., Raftery, A. E. 2002. Model-based clustering, discriminant analysis, and density estimation, Journal of the American statistical Association, 97 (458), 611-631
  11. Biernacki, C., Celeux, G., Govaert, G. 2003. Choosing starting values for the EM algorithm for getting the highest likelihood in multivariate Gaussian mixture models. Computational Statistics & Data Analysis, 41(3-4), 561-575
  12. McLachlan, G., Peel, D. 2004. Finite mixture models, John Wiley & Sons
  13. Pernkopf, F., Bouchaffra, D. (2005). Genetic-based EM algorithm for learning Gaussian mixture models. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(8), 1344-1348
  14. Raftery, A. E., Dean, N. 2006. Variable selection for model-based clustering. Journal of the American Statistical Association, 101(473), 168-178
  15. Browne, R. P., McNicholas, P. D. 2012. Model-based clustering, classification, and discriminant analysis of data with mixed type. Journal of Statistical Planning and Inference, 142(11), 2976-2984
  16. Yang, M. S., Lai, C. Y., Lin, C. Y. 2012. A robust EM clustering algorithm for Gaussian mixture models. Pattern Recognition, 45(11), 3950-3961
  17. Lee, S. X., McLachlan, G. J. 2013. Model-based clustering and