Diferansiyel gelişim tabanlı çoklu kernel bulanık kümeleme

Yıl 2019, Cilt: 34 Sayı: 3, 1281 - 1294, 29.05.2019

Emrah Hançer

https://doi.org/10.17341/gazimmfd.460525

Öz

K-means, bulanık c-means ve k-medoids gibi temel kümeleme algoritmaları hızlı, basit ve uygulanabilirliği kolay olması sebebiyle günümüzde hala popülerliğini korumaktadır. Ancak bu algoritmaların etkinlikleri genellikle kompakt küme setlerinin tespit edilmesi ile sınırlı kalmaktadır. Bu sebepten ötürü araştırmacılar bu algoritmaların etkinliğini arttırmak için çeşitli yöntemler üzerinde çalışmaktadır. Bu yöntemlerden birisi de kernel fonksiyonları ile veri setlerinin doğrusal uzaydan doğrusal olmayan bir uzaya aktarılarak ele alınmasıdır. Ancak tek kernel kullanımı kümelemede istenilen performansı vermeyebilmektedir. Bu çalışmada diferansiyel gelişim algoritması tabanlı çoklu kernel kümeleme algoritması önerilmiştir. Elde edilen sonuçlar neticesinde önerilen çoklu kümeleme algoritmasının bilinen kümeleme algoritmalarından daha iyi performans gösterdiği görülmüştür. 

Anahtar Kelimeler

Kernel Kümeleme, Bulanık K-Ortalamalar; Diferansiyel Gelişim

Kaynakça

• Köylü, M. Yapay Arı Koloni Algoritması Tabanlı Veri Madenciliği Algoritmalarının Geliştirilmesi, Doktora Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, 2015.
• Hancer, E., Karaboga D., "A comprehensive survey of traditional, merge-split and evolutionary approaches proposed for determination of cluster number", Swam and Evolutionary Computation, Cilt 32, 49-67, 2017.
• MacQueen, J., "Some methods for classification and analysis of multivariate observations", 5th Berkeley Symp. Math. Stat. Probability, 281–297, 1967.
• Park, H-S, Jun, C-H., "A simple and fast algorithm for K-medoids clustering", Expert Systems with Applications, Cilt 36, 3336-3341, 2009.
• Bezdek, J. C., Pattern Recognition with Fuzzy Objective Function Algoritms. Plenum Press, New York 1981.
• Omran, M., Particle Swarm Optimization Methods for Pattern Recognition and Image Processing, Ph.D. Thesis, University of Pretoria, Environment and Information Technology, 2004.
• Kudava P., "Clustering Genetic Algorithm", 18th International Workshop on Database and Expert Systems Applications, 138-142, 2007.
• Var der Merwe D. W., Engelbrecht A. P., "Data clustering using particle swarm optimization", IEEE Congress on Evolutionary Computation, 215-220, 2003.
• Chen G., Luo W. Zhu T., "Evolutionary clustering with differential evolution", IEEE Congress on Evolutionary Computation, 1382-1389, 2014.
• Hancer, E., Ozturk, C., Karaboga, D., "Artificial Bee Colony Based Image Clustering Method," IEEE Congress on Evolutionary Computation, 1-5, 2012.
• Zhao B., Kwok J. T, Zhang C., "Multiple Kernel Clustering", SIAM International Conference on Data Mining, 638-649, 2009.
• Huang H. C., Chuang Y. Y., Chen C. S., "Multiple Kernel Fuzzy Clustering", IEEE Transactions on Fuzzy Systems, Cilt 20, No 1, 120-134, 2012.
• Wang Y., Liu X., Dou Y., Li R., "Multiple Kernel Clustering Framework with Improved Kernels", Twenty-Sixth International Joint Conference on Artificial Intelligence, 2999-3005, 2017.
• Storn, R., Price, K., "Differential Evolution - A Simple and Efficient Heuristic for global Optimization over Continuous Spaces", Journal of Global Optimization, 341-359, 2016.
• Das, S., Suganthan, P. N., "Differential Evolution: A Survey of the State-of-the-Art", IEEE Transactions on Evolutionary Computation, Cilt 15, No 1, 4-31, 2011.
• Al-Zand H. A. R., Bölünmeli Kümeleme Algoritmalarının Farklı Veri Yoğunluklarında Karşılaştırılması, Yüksek Lisans Tez, Gazi Üniversitesi, Bilişim Enstitüsü, 2013.
• Liu X., Dou Y, Yin J, Wang L, Zhu E., "Multiple Kernel k-Means Clustering with Matrix-Induced Regularization", Thirtieth AAAI Conference on Artificial Intelligence, 1888-1894, 2016.
• Xia R., Pan Y., Du. L, Yin J., "Robust multi-view spectral clustering via low-rank and sparse decomposition", Twenty-Eighth AAAI Conference on Artificial Intelligence, 2149-2155, 2014.
• Kumar, A., Daume H., "A Co-training Approach for Multi-view Spectral Clustering", 28th International Conference on International Conference on Machine Learning, 393-400, 2011.
• Gonen M., Margolin A. A., "Localized data fusion for kernel k-means clustering with application to cancer biology", 28th Annual Conference on Neural Information Processing Systems, 1305-1313, 2014.
• Lichman, M., UCI Machine Learning Repository, http://archive.ics.uci.edu/ml. Irvine, CA: University of California, School of Information and Computer Science, 2013.
• Clustering bechmark datasets. https://cs.joensuu.fi/sipu/datasets. Erişim Tarihi: 23.12.2017
• Falco I. D., Cioppa A. D., Tarantino E., "Facing classification problems with Particle Swarm Optimization", Applied Soft Computing, Cilt 7, Sayı 3, 652-658, 2007.
• Paterlini S., Krink T., "Differential evolution and particle swarm optimisation in partitional clustering", Computational Statistics & Data Analysis, Cilt 50, Sayı 5, 1220-1247, 2006.