FARKLI BAĞLANTI YÖNTEMLERİ İLE HİYERARŞİK KÜMELEME TOPLULUĞU

Derya BİRANT

Öz


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.

Anahtar Kelimeler


Kümeleme topluluğu; Hiyerarşik kümeleme; Bağlantı yöntemleri

Tam Metin:

PDF

Referanslar


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, Antalya, Türkiye.

Alqurashi, T., Wang, W., 2018, “Clustering ensemble method”, International Journal of Machine Learning and Cybernetics, ss. 1-18.

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, 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.

Gionis, A., Mannila, H., Tsaparas, P., 2007, Clustering Aggregation, ACM Transactions on Knowledge Discovery from Data, Cilt 1, Sayı 1.

Khan, I., Huang, J. Z., Ivanov, K., 2016, “Incremental density-based ensemble clustering over evolving data streams”, Neurocomputing, Cilt 191, ss. 36-43.

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, Beijing, Çin.

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.

UCI Machine Learning Repository. https:// archive.ics.uci.edu/ml/datasets.html, ziyaret tarihi: 12 Mart 2018.

Ren, Y., Domeniconi, C., Zhang, G., Yu, G., 2017, “Weighted-object ensemble clustering: methods and analysis”, Knowledge and Information Systems, Cilt 51, ss. 661-689.

Sarumathi, S. , Shanthi, N., Ranjetha, P., 2015, “Analysis of diverse cluster ensemble techniques”, World Academy of Science, Engineering and Technology, International Journal of Computer and Information Engineering, Cilt 9, Sayı 11, ss. 2386-2396.

Saeed, F., Salim, N., Abdo, A., 2012, “Voting-based consensus clustering for combining multiple clusterings of chemical structures”, Journal of Cheminformatics, Cilt 4, Sayı 37, ss. 1-8.

Smeraldi, F., Bicego, M., Cristani, M., Murino, V., 2011, “CLOOSTING: CLustering Data with bOOSTING”, MCS 2011, Lecture Notes in Computer Science, Cilt 6713, ss. 289–298.

Pirim H. , Seker, S.E., 2012, “Ensemble Clustering for Biological Datasets", Bioinformatics, InTech publisher, ss. 287-298.

Rashedi, E., Mirzaei, A., 2013, “A Hierarchical Clusterer Ensemble Method Based on Boosting Theory”, Knowledge-Based Systems, Cilt 45, ss. 83-93.

Vega-pons, S., Ruiz-Shulcloper, J., 2011, “A survey of clustering ensemble algorithms”, International Journal of Pattern Recognition and Artificial Intelligence, Cilt 25, Sayı 3, ss. 337-372.

Yang, F., Li, T., Zhou, Q., Xiao, H., 2017, “Cluster ensemble selection with constraints”, Neurocomputing, Cilt 235, ss. 59-70.

Yi, J., Yang, T., Jin, R., Jain, A.K., Mahdavi, M., 2012, “Robust Ensemble Clustering by Matrix Completion”, IEEE 12th International Conference on Data Mining, ss. 1176-1181.

Yu, Z., Li, L., Gao, Y., You, J., Liu, J., Wong, H.-S., Han, G., 2014, “Hybrid clustering solution selection strategy”, Pattern Recognition, Cilt 47, ss. 3362–3375.

Xiao, W., Yang, Y., Wang, H., Li, T., Xing, H., 2016, “Semi-supervised hierarchical clustering ensemble and its application”, Neurocomputing, Cilt 173, ss. 1362–1376.

Zhao, X., Liang, J., Dang, C., 2017, “Clustering ensemble selection for categorical data based on internal validity indices”, Pattern Recognition, Cilt 69, ss. 150–168.


Madde Ölçümleri

Ölçüm Çağırılıyor ...

Metrics powered by PLOS ALM

Refback'ler

  • Şu halde refbacks yoktur.


Telif Hakkı (c) 2019 Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Tarayan Veri Tabanları

   ResearchBib 中国知网BASE Logo googleDirectory of Research Journals Indexing LogoOnline Access to Research in the EnvironmentDTUbroadcastlogo PBN - BETA versionjournal tocs uk ile ilgili görsel sonucuFind in a library with WorldCatDiscovery: Library search made simple. Return to JournalSeek Homejatstech ile ilgili görsel sonucuExLibris header imageStanford University Libraries