Veri Madenciliğinde Kümeleme Teknikleri Üzerine Bir Çalışma: K-Means ve K-Medoids Kümeleme Algoritmalarının Karşılaştırılması

Year 2011, Volume: 15 Issue: 3, 192 - 202, 17.07.2014

Güncel Sarıman

Abstract

Günümüzde bilişim alanındaki gelişmeler sayesinde kullanıcılar daha gelişmiş bilgisayar teknolojilerine hakim olmaktadır ve bu gelişmeler beraberinde sayısal verilerin birikmesine neden olmaktadır. Bilişim teknolojileri biriken verileri saklayabilir. Tüm bu saklanan verilerin anlamlandırılması için veri madenciliği kullanılmaktadır. Veri madenciliği, verilerden önceden bilinmeyen anlamlı bilgileri tanımlama ya da tahmin etme tekniklerini içermektedir. Veri madenciliğinde verileri ortak özellikleri ile gruplamak için kümeleme algoritmaları yardımıyla ilginç desenler bulunabilir. Bu çalışmada UCI Machine Learning Repository veritabanından “Flags” veri seti alınarak k-means ve k-medoids bölümlemeli kümeleme algoritmalarıyla ülkelerin özelliklerine göre kümelere ayrılması hedeflenmiştir. Uygulama Asp.Net ile web ara yüzünde geliştirilerek internet ortamında kullanıcılara sunulmuştur. Çalışmanın sonunda veri seti K-Means ve K-Medoids algoritmalarıyla çalıştırılmış ve elde edilen analiz sonuçları karşılaştırılmalı olarak incelenmiş ve kullanım yerlerine yönelik öneriler sunulmuştur

Keywords

Veri Madenciliği, Kümeleme Analizi, Asp.Net, K-Means, K-Medoids

References

• Akın, K. Y. 2008. Veri Madenciliğinde Kümeleme Algoritmaları ve Kümeleme Analizi. Doktora Tezi, Marmara Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul, 164s.
• Alpaydın, E. Zeki veri madenciliği: Ham Veriden Altın Bilgiye Ulaşma Yöntemleri. Bilişim 2000 Eğitim Semineri, 2000.
• Amasyalı, F. M., Ersoy, O. 2008. Kümeleyici Topluluklarının Başarısını Etkileyen Faktörler, IEEE 16th Signal Processing and Communication Applications Conference, SIU 2008, Aydın.
• Arslan, H. 2008. Sakarya Üniversitesi Web Sitesi Erişim Kayıtlarının Web Madenciliği İle Analizi. Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya, 80s.
• Berkhin, Pavel. 2004. Survey of Clustering Data Mining Techniques. http://citeseer.nj.nec.com/berkhin02survey.html. (Erişim Tarihi: 07.04.2004).
• Bozkır, S. A., Gök, B., Sezer, E. 2009. 5. Uluslararası İleri Teknolojiler Sempozyumu (IATS’09), 13-15 Mayıs, Karabük.
• Bülbül, Ş. 2009. Propensity Skor Uygulamalarında Kümeleme Analizinin Test Amaçlı Kullanımı. 10. Ekonometri ve İstatistik Sempozyumu, Atatürk Üniversitesi, İktisadi ve İdari Bilimler Fakültesi, 27-29 Mayıs, Palandöken-Erzurum.
• Dinçer, E. 2006. Veri Madenciliğinde K-Means Algoritması ve Tıp Alanında Uygulanması. Yüksek Lisans Tezi, Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, Kocaeli, 101s.
• Dolgun, Ö. M., Özdemir, G. T., Oğuz, D. 2009. Veri Madenciliğinde Yapısal Olmayan Verinin Analizi:Metin ve Web Madenciliği. İstatikçiler Dergisi, 2, 48-58.
• Evans, S., Lloyd, J., Stoddard, G., Nekeber, J., Samone, M. 2005. Risk Factors For Adverse Drug Events. The Annals of Pharmacotherapy, 39, 1161-1168.
• Gersho, A., Gray, R.M. 1991. Vector Quantization and Signal Compression. Kluwer Academic Publishers Norwell, USA, 738pp.
• Işık, M. 2006. Bölünmeli Kümeleme Yöntemleri İle Veri Madenciliği Uygulamaları. Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, İstanbul, 76.
• Jain, A.K. Murty, M.N. Flynn, P.J. 1999. Data Clustering: A Review, ACM Computing Surveys. 3, 31.
• Kauffman, L., Rousseeuw, P.J. 1990. Finding Groups in Data: An Introduction to Cluster Analysis. John Wiley and Sons, 342 pp.
• Linde, Y., Buzo, A. 1980. An Algorithm for Vector Quantizer Design. IEEE Transactions on Communications, January, 702-710.
• Mit, 2005. www.eecs.mit.edu.tr (Erişim tarihi: 18 mayıs 2005)
• Pang-Ning Tan, P. N., Steinbach, M., Kumar, V. 2006. Introduction to Data Mining. Addison Wesley, 769 pp.