KaydedilenlerDerginizi ekleyin

Dergiler / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2019 / Cilt: 7 - Sayı: 3

Veri Madenciliğinde Kullanılan Kümeleme Algoritmalarının Karşılaştırılması Üzerine Bir İnceleme: Ülkelerin Beşeri Sermaye Durumlarına Göre Kümelenmesi Örneği

A Study on the Comparison of Clustering Algorithms Used in Data Mining

Ömer Faruk RENÇBER
Sayfa
1671–1685
Yayın Tarihi
2022-10-12
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)

Benzer Şekilde, bulanık k-ortalama algoritmasının klasikk-ortalamalara göre daha başarılı olduğu görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüz dünyasında veri madenciliği, yaşanan olayların anlaşılabilmesi, yorumlanabilmesi ve geleceğe dairtahminlerin yapılabilmesi için büyük önem arz etmektedir.
📊
Temel Bulgular & Veri:Bu doğrultuda veri setine ulaşılabilen 132 ülke beşeri sermaye özellikleridoğrultusunda kümelenmiştir.Çalışmanın sonucunda, torbalı küme algoritmasının zaman açısından diğerlerinden daha yavaş olduğu ancakdaha başarılı kümeleme yaptığı bulgusuna ulaşılmıştır.
💡
Sonuç & Katkı:Benzer Şekilde, bulanık k-ortalama algoritmasının klasikk-ortalamalara göre daha başarılı olduğu görülmüştür.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Günümüz dünyasında veri madenciliği, yaşanan olayların anlaşılabilmesi, yorumlanabilmesi ve geleceğe dairtahminlerin yapılabilmesi için büyük önem arz etmektedir. Bu nedenle, istatistik teknikleri her geçen gündeğişmekte ve yenilenmektedir. Özellikle, günümüzde büyük verilerin anlaşılabilmesi amacıyla makine öğrenmeteknikleri sıklıkla kullanılmaktadır. Bu çalışmada, literatürde yoğun olarak kullanılan k-ortalama kümelemealgoritması çeşitlerinden klasik, bulanık ve torbalı k-ortalamalar yöntemlerinin kümeleme performanslarınınkarşılaştırılması amaçlanmaktadır. Bu doğrultuda veri setine ulaşılabilen 132 ülke beşeri sermaye özellikleridoğrultusunda kümelenmiştir.Çalışmanın sonucunda, torbalı küme algoritmasının zaman açısından diğerlerinden daha yavaş olduğu ancakdaha başarılı kümeleme yaptığı bulgusuna ulaşılmıştır. Benzer Şekilde, bulanık k-ortalama algoritmasının klasikk-ortalamalara göre daha başarılı olduğu görülmüştür.

Abstract

In today's world of digital, data mining is very important for predicting, interpreting and understanding of cases. Therefore, statistical techniques are been renewing and develop. Especially, machine learning techniques often use for this. In this study, it is aimed to compare of performance classic, fuzzy and bagged k-means cluster algorithm. Therefore, 132 countries which reached data was clustered according to human capital. In the conclusion of the study, it is reached that bagged cluster algorithm is slower than other algorithms, but it has more correct classify. Similarly, the fuzzy cluster algorithm has more correct classify than the classic kmeans algorithm.

🔖

Bu Makaleye Atıf Yap

RENÇBER, Ö. F. (2022). Veri Madenciliğinde Kullanılan Kümeleme Algoritmalarının Karşılaştırılması Üzerine Bir İnceleme: Ülkelerin Beşeri Sermaye Durumlarına Göre Kümelenmesi Örneği. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 7 - Sayı: 3, 1671–1685. https://ajindex.com/articles/494366

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (3)

  1. Koyuncugil, A.,ve Özgülbaş, N. “Veri madenciliği: Tıp ve sağlık hizmetlerinde kullanımı ve uygulamaları,” Bilişim Teknolojileri Dergisi, c.2, s.2, ss. 21-33, 2009
  2. Dudoit, S., & Fridlyand, J. “A Prediction-Based Resampling Method For Estimating The Number Of Clusters in a Dataset,” Genome biology, Vol. 3, No. 7, 2002 [3] MacQueen, “Some methods for classification and analysis of multivariate observations,” The fifth Berkeley symposium on mathematical statistics and probability, vol.1, no. 14, pp. 281-29, 1967
  3. Topchy, A., Minaei-Bidgoli, B., Jain, A. K., & Punch, W. F. “Adaptive clustering ensembles,” In Proceedings of the 17th International Conference on Pattern Recognition, vol. 1, pp. 272- 275, 2004 [5] Dunn, J. C. “A fuzzy relative of the ISODATA process and its use in detecting compact, wellseparated clusters,” Journal of Cybernet, vol. 3, no. 3, pp. 32–57, 1974 [6] Leisch, F., and Hornik, K. (1999). “Stabilization of k-means with bagged clustering,” Joint Statistical Meetings, Statistical Computing Section, pp. 174-179, 1999 [7] Abbas O. “Comparisons Between Data Clustering Algorithms,” The International Arab Journal of Information Technology, vol. 5 no.3 ss.320-235, 2008 [8] Sarıman G. “Veri Madenciliğinde Kümeleme Teknikleri Üzerine Bir Çalışma: K-Means ve KMedoid Kümeleme Algoritmalarının Karşılaştırılması,” Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, c.15, s.3, ss.192-202, 2011 [9] Greene, D., Tsymbal, A., Bolshakova, N. and Cunningham, P. “Ensemble clustering in medical diagnostics,” 17th IEEE Symposium on Computer-Based Medical Systems, Jyväskylä, Finland, pp. 576-581, 2004 [10] Graff Zivin, J., Hsiang, S. M., and Neidell, M. “ Temperature and human capital in the short and long run,” Journal of the Association of Environmental and Resource Economists, vol. 5, no.1, 77-10, 2018 [11] Wang, T. and Zatzick, C. D. “Human Capital Acquisition and Organizational Innovation: A Temporal Perspective,” Academy of Management Journal, vol.62, no.1, pp.99-116, 2019 [12] Weller, I., Hymer, C. B., Nyberg, A. J. and Ebert, J. “How matching creates value: Cogs and wheels for human capital resources research,” Academy of Management Annals, vol.13, no.1, pp.188-214, 2019 [13] Liu, X., Zhu, X., Li, M., Wang, L., Zhu, E., Liu, T.,. and Gao, W.”Multiple kernel k-means with incomplete kernels,” Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence IEEE transactions on pattern analysis and machine intelligence, USA