Kernel probabilistic distance clustering algorithms

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: DİLAY ÖZKAN

Danışman: CEM İYİGÜN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Kümeleme, nesneler (veri noktaları) arasındaki benzerlikleri dikkate alarak verileri gruplayan gözetimsiz bir öğrenme yöntemidir. Olasılıksal Mesafe Kümelemesi (PDC), bazı ilkelere dayanan yumuşak bir kümeleme yaklaşımıdır. Bir nesneyi doğrudan bir kümeye atamak yerine, bunları üyelik olasılığı ile kümelere atar. PDC, küresel şekilli ve doğrusal olarak ayrılabilir veri kümelerinde iyi performans gösteren basit ama etkili bir kümeleme algoritmasıdır. Geleneksel kümeleme algoritmaları, PDC durumunda olduğu gibi, veri setleri küresel olmadığında veya doğrusal olarak ayrılamadığında başarısız olur. Çekirdek yöntemi, verilerin doğrusal olarak ayrılabilir olabileceği, doğrusal olmayan bir dönüşüm yoluyla verileri dolaylı olarak daha yüksek boyutlu bir uzaya eşleyerek bu sorunun üstesinden gelir. Bu çalışma, küresel olmayan veya doğrusal olarak ayrılamayan veri setlerinin kümelenmesi sorununun üstesinden gelmek için PDC ilkelerini kullanan çekirdek tabanlı kümeleme algoritmaları geliştirmeye odaklanır ve üç çekirdek tabanlı PDC algoritması önerir. Ayrıca, çekirdek kümelemede klasik yaklaşımdan farklı olarak Mahalanobis mesafesi de dikkate alınmış ve yumuşak çekirdek kümeleme tekniklerinde kullanılmak üzere yeni bir çekirdek tabanlı Mahalanobis mesafesi geliştirilmiştir. Önerilen çekirdek tabanlı PDC algoritmalarının performansını ölçmek için gerçek ve sentetik veri setleri için deneysel bir çalışma yapılmıştır.