Kernel probabilistic distance clustering algorithms
Çekirdek olasılıksal mesafe kümeleme algoritmaları
- Tez No: 745584
- Danışmanlar: PROF. DR. CEM İYİGÜN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 118
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.
Özet (Çeviri)
Clustering is an unsupervised learning method that groups data considering the similarities between objects (data points). Probabilistic Distance Clustering (PDC) is a soft clustering approach based on some principles. Instead of directly assigning an object to a cluster, it assigns them to clusters with a membership probability. PDC is a simple yet effective clustering algorithm that performs well on spherical-shaped and linearly separable data sets. Traditional clustering algorithms fail when the data set is non-spherical or non-linearly separable, as in the case of PDC. The kernel method overcomes this problem by implicitly mapping the data into a higher dimensional space via a nonlinear transformation, where the data may be linearly separable. This study focuses on developing kernel-based clustering algorithms using the principles of PDC to overcome the problem of clustering non-spherical or non-linearly separable data sets and proposes three kernel-based PDC algorithms. In addition, different than the classical approach, Mahalanobis distance is also considered in kernel clustering, and a new kernel-based Mahalanobis distance is developed to be used in soft kernel clustering techniques. An experimental study is conducted for real and synthetic data sets to measure the performance of the proposed kernel-based PDC algorithms.
Benzer Tezler
- Metin sınıflama için yeni bir özellik çıkarım yöntemi
A new method on feature extraction for text classification
GÖKSEL BİRİCİK
Doktora
Türkçe
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. A. COŞKUN SÖNMEZ
- A new outlier detection method based on probabilistic outputs of support vector machines in binary classification
İkili sınıflama probleminde aykırı gözlem tespiti için destek vektör makineleri olasılıksal çıktılarına dayalı yeni bir yöntem
HABIB CEESAY
Yüksek Lisans
İngilizce
2019
İstatistikGazi Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. FİLİZ KARDİYEN
- A comparative evaluation for liver segmentation from spir images and a novel level set method using signed pressure force function
Spir görüntülerinden karaciğer bölütlemenin karşılaştırmalı değerlendirilmesi ve işaretli baskı kuvvet fonksiyonu kullanan yeni bir düzey kümesi yöntemi
EVGİN GÖÇERİ
Doktora
İngilizce
2013
Elektrik ve Elektronik Mühendisliğiİzmir Yüksek Teknoloji EnstitüsüElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET ZÜBEYİR ÜNLÜ
- Multiple kernel learning for first-person activity recognition
Birinci şahıs aktivite tanıma için çoklu çekirdek öğrenmesi
FATİH ÖZKAN
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. ALPTEKİN TEMİZEL
YRD. DOÇ. DR. ELİF SÜRER
- Monte Carlo simulasyonu ve kernel yoğunluk tahminleme yöntemlerinin birbirlerine entegre edilmesiyle şev duraylılığında etkili kaya kütle parametresinin tespiti
Determination of effective rock mass parameter in slope stability by integrating the Monte Carlo simulation and kernel density estimation methods
GÖRKEM ERTUĞRUL
Doktora
Türkçe
2021
Maden Mühendisliği ve MadencilikKütahya Dumlupınar ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN AYKUL
PROF. DR. ALPARSLAN TURANBOY