nTreeClus: A model-based partitioning clustering of sequential data
nTreeClus: Sıralı verinin model tabanlı kümelenmesi
- Tez No: 522744
- Danışmanlar: Assist. Prof. Dr. MUSTAFA GÖKÇE BAYDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
Farklı alanlarda gözlemlenen kategorik/ardışık dataların sıklığı dizi madenciliğini önemini ortaya koymaktadır. Dizilerin çetrefilli yapıları nedeniyle kendi aralarındaki benzerliklerinin veya farklılıklarının daha iyi anlaşılabilmesi konusunda daha kesin sonuç veren ve daha hızlı çözüme ulaşan yaklaşımları bulmak için sürekli bir arayış içinde olmak gerekmektedir. Yapılan bu çalışmada ardışık verilerin kümelenmesi için nTreeClus ismi verilen model bazlı yeni bir yaklaşım önerilmiştir. Önerilen yaklaşım, kategorik dizilerin yeni sayısal temsili ile sonuçlanan, aralarında Karar Ağacı Öğrenmesi, $k$-mers ve kategorik zaman serileri için kullanılan otoregresif modellerin de bulunduğu mevcut çözümlerin arkasındaki kavramların kesişimi konumundadır. Bu yeni temsil kategorik zaman serilerindeki mevcut modelleri dikkate alarak kümeleme işlemini yapmakta kullanılmaktadır. Ayrıca, yöntemin tek parametresi olan pencere boyutu ($n$) incelenmekte ve yöntemin parametresine olan sağlamlığı gösterilmektedir. Farklı simülasyon senaryoları altında ve çeşitli iç ve dış kümeleme doğrulama indeksleri kullanılarak yöntemin performansı analiz edilmekte ve raporlanmaktadır. Son olarak, sentetik ve gerçek veri setleri, protein dizileri ve kategorik zaman serileri kullanılarak yapılan ampirik değerlendirme göstermektedir ki, nTreeClus yöntemi günümüzde kullanılan metotlar içinde rekabetçi bir konumda hatta en gelişmiş yöntemlerin çoğundan daha üstün bir seviyede yer almaktadır.
Özet (Çeviri)
The overwhelming presence of categorical/sequential data in diverse domains emphasizes the importance of sequence mining. The challenging nature of sequences proves the need for a continuing research to find a more accurate and faster approach providing a better understanding of their (dis)similarities. The thesis proposes a new model-based approach for clustering sequence data, namely nTreeClus. Proposed approach is at the intersection of the conceptions behind existing approaches, including Decision Tree Learning, $k$-mers, and autoregressive models for categorical time series, culminating with a novel numerical representation of the categorical sequences. This new representation is used to perform clustering considering the inherent patterns in categorical time series. Furthermore, the only parameter of the method, the window size ($n$), is examined and the robustness of the method to its parameter has been shown. Under different simulated scenarios and using various internal and external cluster validation indices, the performance of the method is analyzed and reported. Finally, empirical evaluation using synthetic and real datasets, protein sequences and categorical time series, declares that nTreeClus is competitive or superior to most of the state-of-the-art methods.