Veri kümeleme algoritmalarının performansları üzerine karşılaştırmalı bir çalışma
A comperative study on performances of data clustering algorithms
- Tez No: 196996
- Danışmanlar: Y.DOÇ.DR. SERDAR İPLİKÇİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2005
- Dil: Türkçe
- Üniversite: Pamukkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 134
Özet
PAMUKKALE ÜNİVERSİTESİFEN BİLİMLERİ ENSTİTÜSÜTEZ ÖZET BİLDİRİ FORMUELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALIVERİ KÜMELEME ALGORİTMALARININ PERFORMANSLARI ÜZERİNEKARŞILAŞTIRMALI BİR ÇALIŞMAMustafa Seçkin DURMUŞÖZETBu tezde farklı veri kümeleme algoritmaları performanslarına göre karşılaştırmalı olarakincelenmiştir. Sık kullanılan kümeleme algoritmaları tanımlanmış ve bu algoritmalararasından, kümeleme işlemi sonunda oluşacak küme sayısının ve hangi verinin hangi kümeyeyerleştirileceğinin önceden bilinmediği (öğreticisiz öğrenme) algoritmalar karşılaştırmalıçalışma için seçilmiştir.Seçilen bu algoritmalar farklı üç veri seti üzerinde (MATLAB ortamında oluşturulanrasgele veri seti, iris çiçeği veri seti ve Avustralya yengeçlerinden oluşturulmuş veri seti)gürültüye dayanıklılık, işlemler için kullanılan hafıza, işlem süresi ve işlemler esnasındakullandıkları flop sayılarına göre karşılaştırılmışlardır.Tüm kümeleme algoritmaları veriye bağlıdır ve herhangi bir kümeleme algoritmasıtüm veri setleri için her zaman en iyi kümeleri oluşturmamaktadır. Bu nedenle, seçilen veriyeen uygun algoritma belirlenmelidir.Bu karşılaştırmalı çalışma için seçilen algoritmalar MATLAB benzetim programıkullanılarak gerçekleştirilmiş ve her üç veri seti için seçilen tüm algoritmalar farklı eşikdeğerleri için denenmiştir. Sonuçlar arasında karşılaştırmalar yapılmıştır.
Özet (Çeviri)
PAMUKKALE ÜNİVERSİTESİFEN BİLİMLERİ ENSTİTÜSÜTEZ ABSTRACT BİLDİRİ FORMUGRADUATE PROGRAM IN ELECTRIC ELECTRONIC ENGINEERINGA COMPARATIVE STUDY ON PERFORMANCES OF DATA CLUSTERING ALGORITHMSMustafa Seçkin DURMUŞABSTRACTIn this thesis, a comparative study on performances of different data clusteringalgorithms is considered. Commonly used clustering algorithms are defined and among thesealgorithms in which resulting cluster number and which data is going to be placed in whichcluster (unsupervised learning) are not to be known before clustering, were chosen forcomparative study.These algorithms are examined on three different data sets (A random data set generatedby MATLAB, the iris data set and the Australian crab data set) for their endurance of noise,memory used for processes, process time and flop numbers.All clustering algorithms are data dependent and an algorithm is not being always capablefor all data sets. Therefore, the most suitable algorithm must be determined for the chosendata set.Algorithms for this comparative study are realized by MATLAB and all algorithms aretested for different threshold values. Comparisons were made between different results.
Benzer Tezler
- Atıksu arıtma tesislerinde biyolojik oksijen ihtiyacının (BOİ5) kaba kümeleme ve makine öğrenmesi hibrit yaklaşımı ile tahmini
Prediction of biochemical oxygen demand (BOD5) in wastewater treatment plant with rough set and machine learning hybrid approach
MUHAMMED ALPEREN ŞERİFOĞLU
Yüksek Lisans
Türkçe
2021
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN TORKUL
- Bölünmeli kümeleme yöntemleri ile veri madenciliği uygulamaları
Data mining applications using partitional clustering methods
MELTEM IŞIK
Yüksek Lisans
Türkçe
2006
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiElektronik ve Bilgisayar Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. ÖZGÜL VAYVAY
- Makine öğrenme algoritmalarıyla hatalı ürün tahmini
Prediction of defective product with machine learning algorithms
ENES ŞANLITÜRK
Yüksek Lisans
Türkçe
2018
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- New proposed methods for synthetic minority over-sampling technique
Sentetik azınlık aşırı örnekleme tekniği için yeni önerilen yöntemler
HAKAN KORUL
Yüksek Lisans
İngilizce
2024
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA