BULANIK KÜMELEMEDE EN UYGUN KÜME SAYISININ YAPAY SİNİR AĞLARI VE DİSKRİMİNANT ANALİZİ İLE BELİRLENMESİ

Faruk ALPASLAN, Necati Alp ERİLLİ, Ufuk YOLCU, Erol EĞRİOĞLU, Ç. Hakan ALADAĞ
935 353

Öz


Özet: Bir kümeleme probleminde, kümeler birbirinden belirgin bir
şekilde ayrılmıyorsa ya da bazı birimler küme üyeliğinde kararsızsa, klasik
kümeleme yöntemleri yerine bulanık kümeleme yöntemleri tercih edilmesi
yararlı olacaktır. Kümeleme analizinde, anlamlı ve sağlıklı sonuçlara
ulaşabilmek için en uygun küme sayısının belirlenmesi önemlidir. Ancak,
birçok kümeleme algoritması küme sayısının önceden bilinmesini gerektirir. En
uygun küme sayısının belirlenme işlemlerine genel olarak küme geçerliliği adı
verilmektedir. Bulanık kümeleme ile ilgili literatürde en uygun küme sayısı,
küme geçerlilik indeksleri ile belirlenmektedir. Bazı karmaşık yapılar içeren
verilerde, küme üyeliklerindeki karasızlıklar nedeniyle, küme geçerlilik
indeksleri en uygun küme sayısını belirlemede birbirleri ile çelişen sonuçlar
verebilmektedir. Ayrıca hangi indeksin en uygun küme sayısını belirlediğini
ortaya koyan bir ölçüt de bulunmamaktadır. Bu çalışmada, en uygun küme
sayısını belirlemede, ileri beslemeli yapay sinir ağları ve diskriminant analizi
kullanılmış; sonuçlar PC, CE gibi küme geçerlilik indekslerinden elde edilen
sonuçlar ile karşılaştırılarak en uygun küme sayısı hakkında karar verilmeye
çalışılmıştır.
Anahtar Kelimeler: Bulanık Kümeleme, Küme geçerlilik indeksi,
Yapay sinir ağları, Diskriminant Analizi.
Abstract: In a clustering problem, it would be better to use fuzzy
clustering if there was an uncertainty in determining clusters or memberships of
some units. Determining the number of cluster has an important role on
obtaining sensible and sound results in clustering analysis. In many clustering
algorithm, it is firstly need to know number of cluster. However, there is no pre
information about the number of cluster in general. The process of determining
the most proper number of cluster is called as cluster validation. In the available
fuzzy clustering literature, the most proper number of cluster is determined by
utilizing cluster validation indices. When the data contain complexity are being
analyzed, cluster validation indices can produce conflictive results. Also, there
is no criterion point out the best index. In this study, artificial neural networks
and discriminant analysis are employed to determine the number of cluster and
the proposed method are applied some data and obtained results are compared to
those obtained from validation indices like PC and CE.
Keywords: Fuzzy clustering, Cluster validation index, Artificial neural
network, Discriminant analysis.

Tam metin:

PDF




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