Veri Madenciliğinde Genetik Algoritma ile Kümeleme

Abstract

Veri madenciliğinde yaygın şekilde kullanılan kümeleme analizi, m adet özelliğe sahip n adet birimin çeşitli algoritmalar aracılığıyla k adet alt kümeye ayrılması işlemidir. Farklı kümeleme algoritmaları aynı veri seti için birbirinden farklı sonuçlar üretebilmekte; bu durum, birimlerin doğru biçimde kümelendiği en uygun yöntemin belirlenmesini zorunlu kılmaktadır. Bu çalışmada, küme içi ve kümeler arası uzaklıklar ile silhouette genişliğini birleştiren yeni bir uygunluk fonksiyonu tanımlanmış; bu fonksiyon aracılığıyla genetik algoritma (GA) tabanlı kümeleme yaklaşımı geliştirilmiştir. Çalışma, karşılaştırmalı bir Monte Carlo simülasyonu ve gerçek veri uygulamasından oluşmaktadır. Simülasyon aşamasında R programlama dili kullanılarak birim sayısı, küme sayısı, küme çakışıklığı, gürültü ve sapan değer parametrelerinin farklı kombinasyonlarını içeren 144 koşul için 100'er tekrarlı yapay veri setleri üretilmiş; GA yöntemi k-ortalama ve Ward hiyerarşik kümeleme yöntemleriyle karşılaştırılmıştır. Gerçek veri uygulamasında Seeds ve Iris benchmark veri setleri kullanılmış, sonuçlar 10 katlı çapraz doğrulama ile doğrulanmıştır. Yöntemlerin performansı Fowlkes-Mallows (F), Mirkin (M) ve bilgi varyansı (VI) küme geçerlilik indeksleri ile değerlendirilmiştir. Elde edilen bulgular, GA yönteminin her iki veri türünde de k-ortalama ve Ward yöntemlerine kıyasla daha yüksek kümeleme doğruluğu sağladığını ortaya koymaktadır.

Keywords

• Geçerlilik İndeksleri
• Genetik Algoritma
• Kümeleme
• Veri Madenciliği

Clustering with Genetic Algorithm in Data Mining

Abstract

Cluster analysis, widely used in data mining, is the process of partitioning n units with m features into k sub-clusters using various algorithms. Different clustering algorithms may yield divergent results for the same dataset, making it essential to identify the most appropriate method for accurate cluster assignment. In this study, a new fitness function combining within-cluster distances, between-cluster distances, and silhouette width was defined, and a genetic algorithm (GA)-based clustering approach was developed accordingly. The study comprises a comparative Monte Carlo simulation and a real-data application. In the simulation phase, 144 experimental conditions were generated using the R programming language by varying sample size, number of clusters, cluster overlap, noise, and outlier parameters, with 100 replications each; GA was compared against k-means and Ward's hierarchical clustering. In the real-data application, the Seeds and Iris benchmark datasets were used, and results were validated via 10-fold cross-validation. Method performance was evaluated using the Fowlkes-Mallows (F), Mirkin (M), and Variance of Information (VI) cluster validity indices. The findings demonstrate that the GA-based approach achieves higher clustering accuracy than both k-means and Ward methods across all data types examined.

Keywords

• Validity Indexes
• Genetic Algorithm
• Clustering
• Data Mining

References

1. Adak, M.F., Canpolat, K., ve Yumuşak, N. (2016). Genetik algoritma kullanan yapay sinir ağları ile ikili gaz karışımlarının sınıflandırılması. 4th International Symposium on Innovative Technologies in Engineering and Science (ISITES2016) 3-5 Nov 2016 Alanya/Antalya-Turkey.
2. Akopov, A. S., & Beklaryan, L. A. (2025). Evolutionary synthesis of high-capacity reconfigurable multilayer road networks using a multiagent hybrid clustering-assisted genetic algorithm. IEEE Access.
3. Ayık, Y.Z., Özdemir, A., ve Yavuz, U. (2007). Lise türü ve lise mezuniyet başarısının, kazanılan fakülte ile ilişkisinin veri madenciliği tekniği ile analizi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(2), 441-454.
4. Cömert, S.E., Gökler, S.H., ve Yazgan, H.R. (2016). Hücresel imalat sistemlerinin k-means algoritması ve genetik algoritma ile tasarlanması: bir uygulama. Akademik Platform Mühendislik ve Fen Bilimleri Dergisi, 4(3).
5. Dua, D. ve Graff, C. (2019). UCI Machine Learning Repository. University of California, Irvine. https://archive.ics.uci.edu/ml
6. Fowlkes, E. ve Mallows, C. (1983). A method for comparing two hierarchical clusterings, Journal of American Statistical Association, 78, 553-569.
7. Gaon, T., Gabay, Y., & Weiss Cohen, M. (2025). Optimizing electric vehicle routing efficiency using k-means clustering and genetic algorithms. Future Internet, 17(3), 97.
8. Goldberg, D.E. (1989). Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley.

9. Gögebakan, M. ve Servi, T. (2020). Genetik algoritma kullanılarak verilerin karma normal modele dayalı kümelenmesi. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 35(3), 12-23.
10. Hawkins, D.M. (2004). The problem of overfitting. Journal of Chemical Information and Computer Sciences 44 (1), 1-12
11. Haznedar, B., Arslan, M., Kalınlı, A. (2017). Training ANFIS structure using genetic algorithm for liver cancer classification based on microarray gene expression data. Sakarya University Journal of Science, 21 (1), 54-62
12. Holland, J.H. (1975). Adaptation in natural and artificial systems, Cambridge, MA: University of Michigan Press.
13. Khan, M., Chowdhury, M. A. M., Meem, N. A., & Khan, M. H. (2022, December). Neighborhood Distance Estimation for Tree-Based Hybrid Genetic Algorithm for Density Based Data Clustering. In 2022 4th International Conference on Electrical, Computer & Telecommunication Engineering (ICECTE) (pp. 52-55). IEEE.
14. Lorr, M. (1993). Cluster Analysis for Social Scientists, San Francisco: Jossey-Bass.
15. Meila, M. (2006). Comparing clusters - an information based distance. Journal of Multivariate Analysis, 98, 873-895.
16. Melnykov, V., Chen, W.C. ve Maitra, R. (2012). MixSim: an R package for simulating data to study performance of clustering algorithms. Journal of Statistical Software, 51(12), 1-25.
17. Mirkin, B. (1996). Mathematical classification and clustering. Dordrecht: Kluwer Academic Press.
18. Mor, M., Gupta, P., ve Sharma, P. (2014). A genetic algorithm approach for clustering—International Journal of Engineering and Computer Science, 3(06).
19. Morris, T.P., White, I.R. ve Crowther, M.J. (2019). Using simulation studies to evaluate statistical methods. Statistics in Medicine, 38(11), 2074–2102.
20. R Core Team (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna. https://www.R-project.org/
21. Sriwindono, H., Rosa, P. P., & Pinaryanto, K. (2022, January). The Teacher Placement using K-Means Clustering and Genetic Algorithm. In Conference Series (Vol. 4, pp. 43-51).
22. Şengür, A., Karabatak, M., Türkoğlu, İ., ve İnce, M.C. (2005). Genetik kümeleme ile görüntü bölütleme. Fırat Üniversitesi Doğu Araştırmaları Dergisi, 4(1), 63-67.
23. Tiwari, A.K., Sharma, L.K., ve Krishna, G.R. (2010). Entropy weighting genetic k-means algorithm for subspace clustering. Entropy, 7(7).
24. Wang, Y., Wei, Y., Wang, X., Wang, Z., & Wang, H. (2023). A clustering-based extended genetic algorithm for the multidepot vehicle routing problem with time windows and three-dimensional loading constraints. Applied Soft Computing, 133, 109922.
25. YiFei, L., Minh, H. L., Khatir, S., Sang-To, T., Cuong-Le, T., MaoSen, C., & Wahab, M. A. (2023). Structure damage identification in dams using sparse polynomial chaos expansion combined with hybrid K-means clustering optimizer and genetic algorithm. Engineering Structures, 283, 115891.