Ecoli Veri Protein Lokalizasyonunda Bulanık ve Olabilirlikli Kümeleme Algoritmalarının Analizi

Analysis of Fuzzy and Possibilistic C-Means Clustering Algorithms on Protein Localization with Ecoli Data

Özet

Kümeleme, veri kümelerini parçalanmış kümelere bölme işlemidir, böylece aynı veri kümesi benzerdir, farklı kümelerin verileri farklıdır. Bulanık kümeleme algoritmalarının temeli c- ortalamalar aileleridir ve en güçlü algoritma bulanık c- ortalamalar algoritmasıdır. Bununla birlikte, bulanık c- ortalamalar algoritması aykırı değerlere duyarlıdır. Bu çalışmada, gerçek veri seti üzerinde, bulanık c- ortalamalar algoritmasının bu olumsuz etkinin üstesinden gelmek için geliştirilen üç farklı algoritma – olabilirlikli c-ortalamalar algoritması (PCM), bulanık olabilirlikli c-ortalamalar (FPCM) ve olabilirlikli bulanık c- ortalamalar algoritması (PFCM) – incelenmiştir. Bu algoritmaları karşılaştırmak için yineleme sayıları ve tamamlanma süreleri hesaplanmıştır.

Abstract

Clustering is the process of dividing data clusters into fragmented clusters so that the same set of data is similar, but the data of different clusters is different. The basis of the fuzzy clustering algorithms is the c-means families and the strongest algorithm is the fuzzy c-means algorithm. However, the fuzzy c-means algorithm is sensitive to outliers. In this study, on the real data set we examined three different algorithms -possibilistic c-means algorithm (PCM), fuzzy possibilistic c-means (FPCM) and possibilistic fuzzy c- means algorithm (PFCM)- which are developed to overcome the unfavorable side of the FCM algorithm. To compare these algorithms, iteration numbers and completion times were calculated.

Anahtar kelimeler: Bulanık c- ortalamalar, Olabilirlikli c- ortalamalar, Bulanık olabilirlikli c- ortalamalar, Olabilirlikli bulanık c- ortalamalar