Farklı Uzaklık Fonksiyonlarının Spektral Kümeleme Algoritmasının Performansına Etkisi

Year 2024, Volume: 26 Issue: 77, 237 - 241, 27.05.2024

Gülay İlona Telsiz Kayaoğlu , Mustafa Eroğlu

https://doi.org/10.21205/deufmd.2024267706

Abstract

Makine öğrenmesinin bir kolu olan denetimsiz öğrenme problemlerinde kullanılan kümeleme algoritmaları, veri noktalarını benzer özelliklere sahip olan gruplara ayırmak için veri noktaları arasındaki uzaklıkları ölçen bir uzaklık fonksiyonu kullanır, ve bu, standart durumda Öklid uzaklığıdır. Bununla birlikte en sık kullanılan kümeleme algoritmalarından k-ortalamalar (k-means) kümeleme algoritmasında Öklid uzaklığı yerine farklı uzaklık fonksiyonları kullanılarak elde edilen sonuçların karşılaştırıldığı [1],[2] gibi çalışmalar mevcuttur. Bu çalışmada ise Spektral kümeleme algoritması farklı uzaklık fonksiyonları ile ele alınarak sonuçlar değerlendirilmiştir. K-ortalamalar algoritmasının başarılı şekilde ayıramadığı veri kümeleri tercih edilmiş ve spektral kümeleme algoritmasında Öklid uzaklığının yanı sıra farklı uzaklık fonksiyonları da kullanarak daha iyi bir kümeleme yapılıp yapılmayacağı incelenmiştir.

Keywords

Denetimsiz Öğrenme, Spektral Kümeleme, Uzaklık Fonksiyonları

Thanks

Bu makale ikinci yazarın birinci yazar danışmanlığında hazırladığı yüksek lisans tezinden üretilmiştir.

Effect of Different Distance Measures on the Performance of Spectral Clustering Algorithm

Abstract

Clustering algorithms used in unsupervised learning problems, which is a branch of machine learning, use a distance function that measures the distances between data points to separate data points into groups with similar characteristics, and this is known as the Euclidean distance in the standard case. However, there are studies such as [1] and [2] in which the results obtained by using different distance functions instead of Euclidean distance in the K-means clustering algorithm, which is one of the most frequently used clustering algorithms, are compared. In this study, the Spectral clustering algorithm is handled with different distance functions and its results are evaluated. The datasets that the k-means algorithm could not separate successfully were preferred and it was examined whether a better clustering could be made by using different distance functions in addition to the Euclidean distance in the spectral clustering algorithm.

Keywords

Unsupervised Learning, Spectral Clustering, Distance Functions

References

• Singh, A., Yadav, A., Rana, A., 2013. K-means with Three different Distance Metrics, International Journal of Comp. Applications, Cilt. 67(10), s.13-17. DOI:10.5120/11430-6785
• Ghazal, T.M. et al., 2021. Performances of K-Means Clustering Algorithm with Different Distance Metrics, Intelligent Automation & Soft Computing, Cilt. 30(2), s. 735-742. DOI:10.32604/iasc.2021.019067
• von Luxburg, U., 2007, A Tutorial on Spectral Clustering, Statistics and Computing, Cilt. 17(4), s. 395-416. DOI:10.1007/s11222-007-9033-z
• Rousseeuw, P.J. (1987) Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis, Comput. Appl. Math. Cilt. 20, s. 53-65. DOI:10.1016/0377-0427(87)90125-7