KaydedilenlerDerginizi ekleyin

Dergiler / Selçuk Üniversitesi Mühendislik Bilim ve Teknoloji Dergisi / 2019 / Cilt: 7 - Sayı: 1

ARKLI BAĞLANTI YÖNTEMLERİ İLE HİYERARŞİK KÜMELEME TOPLULUĞU

Hierarchical Clustering Ensemble with Different Linkage Methods

Derya BİRANT
Sayfa
154–164
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)

Bu çalışmada, Bağlantı-tabanlı Hiyerarşik Kümeleme Topluluğu (BHKT) olarak isimlendirilen yeni bir yaklaşım önerilmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Kümeleme topluluğu, yüksek kümeleme performansı sağlaması nedeniyle son yıllarda tercih edilen bir teknik haline gelmiştir.
📊
Temel Bulgular & Veri:Önerilen yaklaşımda, topluluk elemanları farklı bağlantı yöntemleri kullanarak hiyerarşik kümeleme yapmakta ve sonrasında çoğunluk oylaması ile ortak karar üretmektedir.
💡
Sonuç & Katkı:Bu çalışmada, Bağlantı-tabanlı Hiyerarşik Kümeleme Topluluğu (BHKT) olarak isimlendirilen yeni bir yaklaşım önerilmektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Kümeleme topluluğu, yüksek kümeleme performansı sağlaması nedeniyle son yıllarda tercih edilen bir teknik haline gelmiştir. Bu çalışmada, Bağlantı-tabanlı Hiyerarşik Kümeleme Topluluğu (BHKT) olarak isimlendirilen yeni bir yaklaşım önerilmektedir. Önerilen yaklaşımda, topluluk elemanları farklı bağlantı yöntemleri kullanarak hiyerarşik kümeleme yapmakta ve sonrasında çoğunluk oylaması ile ortak karar üretmektedir. Çalışmada kullanılan bağlantı yöntemleri: tek bağlantı, tam bağlantı, ortalama bağlantı, merkez bağlantı, Ward yöntemi, komşu birleştirme yöntemi ve ayarlı tam bağlantıdır. Ayrıca çalışmada, farklı boyutlardaki hiyerarşik kümeleme toplulukları incelenmiş ve birbiriyle karşılaştırılmıştır. Deneysel çalışmalarda, hiyerarşik kümeleme toplulukları 8 farklı veri setinde uygulanmış ve tek bir kümeleme algoritmasına göre daha iyi sonuçlar elde edilmiştir.

Abstract

Clustering ensemble has become a preferred technique in recent years due to the high clustering performance it provides. In this study, a new approach called Link-based Hierarchical Clustering Ensemble (LHCE) is proposed. In the proposed approach, the ensemble members perform hierarchical clustering using different linkage methods and then make joint decisions with majority voting. Linkage methods used in this study are single linkage, complete linkage, average linkage, centroid linkage, Ward method, neighbor joining and adjusted complete linkage. In this study, hierarchical clustering ensembles with different sizes were also investigated and compared with each other. In the experimental studies, hierarchical clustering ensembles were applied on 8 different datasets and better results were obtained rather than a single clustering algorithm.

🔖

Bu Makaleye Atıf Yap

BİRANT, D. (2019). ARKLI BAĞLANTI YÖNTEMLERİ İLE HİYERARŞİK KÜMELEME TOPLULUĞU. Selçuk Üniversitesi Mühendislik Bilim ve Teknoloji Dergisi, Cilt: 7 - Sayı: 1, 154–164. https://ajindex.com/articles/317839

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Akyüz, S., Otar, B.Ç., 2017, “Doğruluk ve çeşitlilik ödünleşimlerinin eniyilemesi ile kümeleme topluluklarının seçilmesi”, 25th IEEE Signal Processing and Communications Applications Conference (SIU), 15-18 Mayıs 2017,
  2. Antalya, Türkiye. Alqurashi, T., Wang, W., 2018, “Clustering ensemble method”, International Journal of Machine Learning and Cybernetics, ss. 1-20.
  3. Amasyalı, M.F., Ersoy, O., 2008, “Kümeleyici topluluklarının başarısını etkileyen faktörler”, IEEE 16th Signal Processing, Communication and Applications Conference (SIU 2008), 20-22 Nisan 2008,
  4. Aydın, Türkiye. Cornuejols, A., Wemmert, C., Gançarski, P., Bennani, Y., 2018, “Collaborative clustering: Why, when, what and how”, Information Fusion, Cilt 39, ss. 81-95. D’Urso, P., Giovanni, L.D., Disegna, M., Massari, R., 2013, “Bagged clustering and its application to tourism market segmentation”, Expert Systems with Applications, Cilt 40, ss. 4944-4956.
  5. Gionis, A., Mannila, H., Tsaparas, P., 2007, “Clustering aggregation”, ACM Transactions on Knowledge Discovery from Data, Cilt 1, Sayı 1, ss. 1-30.
  6. Kamvar, S., Klein, D., Manning, C., 2002, “Interpreting and Extending Classical Agglomerative Clustering Algorithms Using a Model-Based Approach”, 19th International Conference on Machine Learning (ICML 2002), 8-12 Temmuz 2002,
  7. Sydney, Australia, ss. 283-290.
  8. Khan, I., Huang, J. Z., Ivanov, K., 2016, “Incremental density-based ensemble clustering over evolving data streams”, Neurocomputing, Cilt 191, ss. 36-43.
  9. Li, T., Chen, Y., 2009, “Hierarchical clustering ensemble algorithm based association rules”, International Conference on Wireless Communications, Networking and Mobile Computing, 24-26 Eylül 2009,
  10. Beijing, Çin, ss. 5320-5323.
  11. Liu, H., Wu, J., Liu, Tao, D., Fu, Y., 2017, “Spectral ensemble clustering via weighted k-Means: theoretical and practical evidence”, IEEE Transactions on Knowledge and Data Engineering, Cilt 29, Sayı 5, ss. 1129-1143.
  12. Murtagh, F., Contreras, P., 2017, “Algorithms for hierarchical clustering: an overview II”, WIREs Data Mining and Knowledge Discovery, Cilt 7, Sayı 6, ss. 1-16. UCI Machine Learning Repository. https:// archive.ics.uci.edu/ml/datasets.html, ziyaret tarihi: 12 Mart 2018.
  13. Rafsanjani, M.K., Varzaneh, Z.A., Chukanlo, N.E., 2012, “A survey of hierarchical clustering algorithms”, The Journal of Mathematics and Computer Science, Cilt 5, Sayı 3, ss. 229-240.
  14. Ren, Y., Domeniconi, C., Zhang, G., Yu, G., 2017, “Weighted-object ensemble clustering: methods and analysis”, K