ÇOK BOYUTLU ÖLÇEKLEME VE K-ORTALAMALAR KÜMELEME ANALİZİ İLE BİR GÖRSEL VERİ MADENCİLİĞİ UYGULAMASI

Muhammet Atalay

TR

ÇOK BOYUTLU ÖLÇEKLEME VE K-ORTALAMALAR KÜMELEME ANALİZİ İLE BİR GÖRSEL VERİ MADENCİLİĞİ UYGULAMASI

Öz

Görsel veri madenciliği, verileri veya analiz sonucunda elde edilen bulguları görselleştirerek örtük ve faydalı bilgileri keşfetmeye yarar. Bu çalışmada; 2020 yılı aktif sigortalı sayılarına ait veriler yardımıyla, Türkiye’deki illerin benzerlik ve farklılıklarının ortaya çıkarılması amaçlanmıştır. Yöntem olarak istatistiksel veri analizi ve veri madenciliği tekniklerinden çok boyutlu ölçekleme ve kümeleme analizleri bulguları görselleştirilerek kullanılmıştır. Tüm analizler R programlama dili kullanılarak yapılmıştır. Çok boyutlu ölçeklemede uyum iyiliği değerleri incelenmiştir. Kümeleme analizinde optimal küme sayısını tespit etmek için içsel kümeleme performansı indeksleri karşılaştırılmıştır. Elde edilen sonuçlara göre, iki boyutlu uzayda elde edilen harita, gerçek uzaklıklarla karşılaştırıldığında iyi derecede uyum göstermektedir. En iyi kümeleme için içsel indekslerin çoğu küme sayısının iki olması gerektiğini söylemektedir. Buna göre çok boyutlu ölçekleme ile elde edilen iki boyutlu dağılımda iller iki kümeye ayrışmaktadırlar. 4/a ve 4/b sigortalılarda dağılım dengeli iken 4/c sigortalılarda çok az sayıda ilin diğerlerinden ayrıştığı belirlenmiştir.

Anahtar Kelimeler

Çok Boyutlu Ölçekleme, K-Ortalamalar Kümeleme, İstatistiksel Analiz, Veri Görselleştirme, Görsel Veri Madenciliği

Kaynakça

Agrawal, K., Garg, S., & Patel, P. (2015). Performance Measures for Densed and Arbitrary Shaped Clusters. International Journal of Computer Science & Communication, 6(2), 338-350.
Albayrak, A. S., & Koltan Yılmaz, Ş. (2009). Veri Madenciliği: Karar Ağaçları ve İMKB Verileri Üzerine Bir Uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 31-52.
Aliukov, S., & Buleca, J. (2022). Comparative Multidimensional Analysis of the Current State of European Economies Based on the Complex of Macroeconomic Indicators. Mathematics 2022, Vol. 10, Page 847, 10(5), 847. https://doi.org/10.3390/MATH10050847
Allahverdi, F., Allahverdi, M., & Çevik, S. (2021). Türkiye’de Kamu Harcamalarının İl Düzeyinde Dağılımının Çok Boyutlu Ölçekleme ve Kümeleme Analizi ile İncelenmesi. Maliye Dergisi, 0(180), 31-60.
Almeira, D., & Graciella Juanda, G. (2021). Analisis Multidimensional Scaling dan k-Means Clustering untuk Pengelompokan Provinsi Berdasarkan Tingkat Pengangguran. E-Prosiding Nasional | Departemen Statistika FMIPA Universitas Padjadjaran, 10, 08. http://prosiding.statistics.unpad.ac.id/index.php/prosidingnasional/article/view/75
Alpar, R. (2017). Uygulamalı Çok Değişkenli İstatistik Yöntemler (5. b.). Ankara: Detay Yayıncılık.
Arı, E., & Gülcemal, M. E. (2019). OECD Ülkelerinin Sigorta Pazar Paylarının Çok Değişkenli İstatistiksel Yöntemlerle İncelenmesi. Batman Üniversitesi Yaşam Bilimleri Dergisi, 9(2), 136–157.
Ayala, E., Nelson, L., Bartholomew, M., & Plummer, D. (2022). A conceptual model for mental health and performance of North American athletes: A mixed methods study. Psychology of Sport and Exercise, 102176. https://doi.org/10.1016/J.PSYCHSPORT.2022.102176
Bache, S. M., & Wickham, H. (2020). magrittr: A Forward-Pipe Operator for R. R package version 2.0.1. https://CRAN.R-project.org/package=magrittr adresinden alındı
Borg, I., & Groenen, P. J. (2005). Modern Multidimensional Scaling: Theory and Applications. Springer.

Borsenberger, M., Fleury, C., & Dickes, P. (2016). Welfare regimes and social cohesion regimes: do they express the same values?, European Societies, 18(3), 221-244. https://doi.org/10.1080/14616696.2016.1172717
Buja, A., Swayne, D. F., Littman, M. L., Dean, N., Hofmann, H., & Chen, L. (2012). Data Visualization With Multidimensional Scaling, Journal of Computational and Graphical Statistics, 17(2), 444–472. https://doi.org/10.1198/106186008X318440
Demirel Top, E., Yapici, N., & Cetinkaya, C. (2018). Comparison of Fatal Occupational Accidents Statistics inTurkey with Some European Countries. International Journal of Scientific and Technological Research, Vol 4, No.6, 107-119.
Desgraupes, B. (2017). Package clusterCrit for R: Clustering Indices. Kasım 5, 2021 tarihinde https://cran.r-project.org/web/packages/clusterCrit/vignettes/clusterCrit.pdf adresinden alındı
Desgraupes, B. (2018). clusterCrit: Clustering Indices. R package version 1.2.8. https://CRAN.R-project.org/package=clusterCrit adresinden alındı
Fleming, L., Lemonde, A.-C., Gold, J., Taylor., J., Malla, A., Joober, R., Iyer, V., Lepage, M., Shah, J., & Corlett, P. R. (t.y.). Reducing the dimensions of psychotic illness. PsyArXiv https://doi.org/10.31234/OSF.IO/WJ89F
Graffelman, J. (2020). Goodness-of-fit filtering in classical metric multidimensional scaling with large datasets. Journal of Applied Statistics, 47(11), 2011-2024.
Gürsakal, S. (2019). Sosyal Bilimlerde SPSS Uygulamalı Çok Değişkenli İstatistiksel Analiz Teknikleri. Bursa: Dora Yayıncılık.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining Trends and Research Frontiers, Editor(s): Jiawei Han, Micheline Kamber, Jian Pei, In The Morgan Kaufmann Series in Data Management Systems, Data Mining: Concepts and Techniques (Third Edition), Morgan Kaufmann, Pages 585-631. https://doi.org/10.1016/B978-0-12-381479-1.00013-7
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2014). Multivariate Data Analysis (7. b.). Edinburgh Gate: Pearson.
Hofmann, T., & Buhmann, J. (1995). Multidimensional scaling and data clustering. T. K. Leen, G. Tesauro, & D. S. Touretzky içinde, Advances in Neural Information Processing Systems 7 (s. 459-466). The MIT Press.
Huang, Z. (1998). Extensions to the k-Means Algorithm for Clustering Large Data Sets with Categorical Values. Data Mining and Knowledge Discovery (2), 283-304.
Inekwe, J., Maharaj, E., & Bhattacharya, M. (2020). Drivers of carbon dioxide emissions: an empirical investigation using hierarchical and non-hierarchical clustering methods. Environ Ecol Stat (27), 1-40.
Karadağ Erdemir, Ö., & Tatlıdil, H. (2018). The Use of the Multivariate Statistical Methods in the Performance Analysis of Non-Life Insurance Companies. Finansal Araştırmalar ve Çalışmalar Dergisi, 56–69. https://doi.org/10.14784/marufacd.460659
Kassambara, A. (2020). ggpubr: 'ggplot2' Based Publication Ready Plots. R package version 0.4.0. https://CRAN.R-project.org/package=ggpubr adresinden alındı
Kırcı Çevik, N. (2021). OECD Ülkeleri Sağlık Sistemi Göstergelerine Çok Boyutlu Bir Yaklaşım. Iğdır Üniversitesi Sosyal Bilimler Dergisi. https://doi.org/10.54600/igdirsosbilder.991828
Koçoğlu, F. Ö., & Esnaf, Ş. (2019). Veri Madenciliği Kümeleme Algoritmalarının Başarı Göstergesi Olarak Kümeleme İndeks Değerlerinin İncelenmesi. M. E. Balaban, & E. Kartal içinde, Veri Madenciliği ve Makine Öğrenmesi Temel Kavramlar, Algoritmalar, Uygulamalar (s. 243-288). İstanbul: Çağlayan Kitabevi.
Kruskal, J. B. (1964). Multidimensional scaling by optimizing goodness of fit to a nonmetric hypothesis. Psychometrika, 29(1), 1-27.
Kruskal, J. B., & Carmone, F. J. (1967). How to Use MDSCAL, Version 5-M, and Other Useful Information. Murray Hill, NJ.: Bell Laboratories.
Kruskal, J. B., & Wish, M. (1978). Multidimensional Scaling, Sage University Papers Series, Quantitative Applications in the Social Sciences, No. 07-011 . Sage Publications, Inc. https://doi.org/10.4135/9781412985130
Leeuw, J. d., & Mair, P. (2009). Multidimensional Scaling Using Majorization: SMACOF in R. Journal of Statistical Software, 31(3), 1-30. https://www.jstatsoft.org/v31/i03/ adresinden alındı
Likas, A., Vlassis, N., & Verbeek, J. J. (2003). The global k-means clustering algorithm. Pattern Recognition(36), 451-461.
Liu, Y., Li, Z., Xiong, H., Gao, X., & Wu, J. (2010). Understanding of Internal Clustering Validation Measures. 2010 IEEE International Conference on Data Mining (s. 911-916). Sydney, Australia: IEEE.
Lopes, A. M., & Machado, J. A. T. (2022). Multidimensional scaling and visualization of patterns in global large-scale accidents. Chaos, Solitons & Fractals, 157, 111951. https://doi.org/10.1016/J.CHAOS.2022.111951
Mair, P., Groenen, P. J., & Leeuw, J. d. (2021). More on Multidimensional Scaling in R: smacof Version 2. Journal of Statistical Software.
Maulik, U., & Bandyopadhyay, S. (2002). Performance evaluation of some clustering algorithms and validity indices. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(12), 1650-1654. https://doi.org/10.1109/TPAMI.2002.1114856
Montgomery, L. T., Vaughn, L. M., & Jacquez, F. (2022). Engaging Adolescents in the Fight Against Drug Abuse and Addiction: A Concept Mapping Approach. Health Education & Behavior. January 2022. https://doi.org/10.1177/10901981211068416
Oğuzlar, A. (2005a). Kümeleme Analizinde Yeni Bir Yaklaşım: Kendini Düzenleyen Haritalar (Kohonen Ağları). Journal of Economics and Administrative Sciences, 19(2), 93–107. https://dergipark.org.tr/en/pub/atauniiibd/issue/2688/35322
Oğuzlar, A. (2005b). Çok Boyutlu Ölçekleme Analizi Yardımıyla Avrupa Birliği Üyeliğini Etkileyen Faktörlerin Konumlandırılması. Uludağ Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, XXIV(1), 33-43.
Rendón, E., Abundez, I., Arizmendi, A., & Quiroz, E. M. (2011). Internal versus external cluster validation indexes. International Journal of Computers and Communications, 5(1), 27-34.
Roux, I. (2008). Application of cluster analysis and multidimensional scaling on medical schemes data. Master Thesis, Stellenbosch University, http://scholar.sun.ac.za/handle/10019.1/2040
RStudio. (2022, Şubat 1). RStudio | Open source & professional software for data science teams. Kasım 5, 2021 tarihinde RStudio: https://www.rstudio.com/ adresinden alındı
SGK. (2021, Ekim 14). Sosyal Güvenlik Kurumu İstatistik Yıllığı Sigortalı ve İş Yeri İstatistikleri 2020. Ankara, Balgat, Türkiye. Kasım 2, 2021 tarihinde http://www.sgk.gov.tr/wps/portal/sgk/tr/kurumsal/istatistik/sgk_istatistik_yilliklari adresinden alındı
Shanti, R. (2019). Multivariate Data Analysis: Using SPSS and AMOS. Chennai: MJP Publisher.
Sips, M. (2009). Visual Clustering. In L. Liu & M. T. Özsu (Eds.), Encyclopedia of Database Systems (pp. 3355–3360). Springer. https://doi.org/10.1007/978-0-387-39940-9_1124
Team, R. C. (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria. https://www.R-project.org/ adresinden alındı
The R Foundation. (2022, Mart 10). The R Project for Statistical Computing. Kasım 5, 2021 tarihinde R 4.1.3: https://www.r-project.org/ adresinden alındı
Vatansever, M., & Büyüklü, A. H. (2009). Using Visual Data Mining Techniques in Clustering Analysis and An Application. Sigma Journal of Engineering and Natural Sciences, 27, 83–104.
Velado-Alonso, E., Morales-Castilla, I., & Gómez-Sal, A. (2022). The landscapes of livestock diversity: grazing local breeds as a proxy for domesticated species adaptation to the environment. Landscape Ecology 2022, 1–14. https://doi.org/10.1007/S10980-022-01429-5
Wickelmaier, F. (2003). An Introduction to MDS. Aalborg University. Denmark: Sound Quality Research Unit.
Wickham, H., & Bryan, J. (2019). readxl: Read Excel Files. R package version 1.3.1. https://CRAN.R-project.org/package=readxl adresinden alındı
Wickham, H., François, R., Henry, L., & Müller, K. (2020). dplyr: A Grammar of Data Manipulation. R package version 1.0.2. https://CRAN.R-project.org/package=dplyr adresinden alındı
Wu, J. (2012). Advances in K-means Clustering: A Data Mining Thinking. Berlin Heidelberg: Springer.,
Žalik, K. R. (2008). An efficient k′-means clustering algorithm. Pattern Recognition Letters, 29(9), 1385-1391. https://doi.org/10.1016/j.patrec.2008.02.014.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Ekonomi, Finans

Bölüm

İnceleme Makalesi

Yazarlar

Muhammet Atalay
0000-0003-3960-500X
Türkiye

Yayımlanma Tarihi

30 Mart 2022

Gönderilme Tarihi

1 Mart 2022

Kabul Tarihi

-

Yayımlandığı Sayı

Yıl 2022 Sayı: 1

IZ

https://izlik.org/JA96TH37UF

APA

Atalay, M. (2022). ÇOK BOYUTLU ÖLÇEKLEME VE K-ORTALAMALAR KÜMELEME ANALİZİ İLE BİR GÖRSEL VERİ MADENCİLİĞİ UYGULAMASI. Kapanaltı Dergisi, 1, 31-44. https://izlik.org/JA96TH37UF

AMA

1.Atalay M. ÇOK BOYUTLU ÖLÇEKLEME VE K-ORTALAMALAR KÜMELEME ANALİZİ İLE BİR GÖRSEL VERİ MADENCİLİĞİ UYGULAMASI. Kapanaltı Dergisi. 2022;(1):31-44. https://izlik.org/JA96TH37UF

Chicago

Atalay, Muhammet. 2022. “ÇOK BOYUTLU ÖLÇEKLEME VE K-ORTALAMALAR KÜMELEME ANALİZİ İLE BİR GÖRSEL VERİ MADENCİLİĞİ UYGULAMASI”. Kapanaltı Dergisi, sy 1: 31-44. https://izlik.org/JA96TH37UF.

EndNote

Atalay M (01 Mart 2022) ÇOK BOYUTLU ÖLÇEKLEME VE K-ORTALAMALAR KÜMELEME ANALİZİ İLE BİR GÖRSEL VERİ MADENCİLİĞİ UYGULAMASI. Kapanaltı Dergisi 1 31–44.

IEEE

[1]M. Atalay, “ÇOK BOYUTLU ÖLÇEKLEME VE K-ORTALAMALAR KÜMELEME ANALİZİ İLE BİR GÖRSEL VERİ MADENCİLİĞİ UYGULAMASI”, Kapanaltı Dergisi, sy 1, ss. 31–44, Mar. 2022, [çevrimiçi]. Erişim adresi: https://izlik.org/JA96TH37UF

ISNAD

Atalay, Muhammet. “ÇOK BOYUTLU ÖLÇEKLEME VE K-ORTALAMALAR KÜMELEME ANALİZİ İLE BİR GÖRSEL VERİ MADENCİLİĞİ UYGULAMASI”. Kapanaltı Dergisi. 1 (01 Mart 2022): 31-44. https://izlik.org/JA96TH37UF.

JAMA

1.Atalay M. ÇOK BOYUTLU ÖLÇEKLEME VE K-ORTALAMALAR KÜMELEME ANALİZİ İLE BİR GÖRSEL VERİ MADENCİLİĞİ UYGULAMASI. Kapanaltı Dergisi. 2022;:31–44.

MLA

Atalay, Muhammet. “ÇOK BOYUTLU ÖLÇEKLEME VE K-ORTALAMALAR KÜMELEME ANALİZİ İLE BİR GÖRSEL VERİ MADENCİLİĞİ UYGULAMASI”. Kapanaltı Dergisi, sy 1, Mart 2022, ss. 31-44, https://izlik.org/JA96TH37UF.

Vancouver

1.Muhammet Atalay. ÇOK BOYUTLU ÖLÇEKLEME VE K-ORTALAMALAR KÜMELEME ANALİZİ İLE BİR GÖRSEL VERİ MADENCİLİĞİ UYGULAMASI. Kapanaltı Dergisi [Internet]. 01 Mart 2022;(1):31-44. Erişim adresi: https://izlik.org/JA96TH37UF

ÇOK BOYUTLU ÖLÇEKLEME VE K-ORTALAMALAR KÜMELEME ANALİZİ İLE BİR GÖRSEL VERİ MADENCİLİĞİ UYGULAMASI

Öz

Anahtar Kelimeler

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

IZ

Kaynak Göster