Yapay zeka teknikleri kullanılarak veri kümeleme algoritması geliştirilmesi
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Tekirdağ Namık Kemal Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Günümüzde veri miktarı günden güne artmaktadır. Bu verilerin analiz edilerek yararlı bilgilere ulaşılmak istenmektedir. Verilerin benzerliklerine göre gruplanmasına kümeleme denir. K-Means algoritması kümeleme alanında en çok yaygın kullanılan algoritmalardan biridir. K-Means algoritması başlangıç küme merkezleri parametresine duyarlıdır ve bu parametre küme sonuçları etkileyebilmektedir. Bu tez çalışmasında genetik algoritma kullanarak K-Means algoritması ile hibritlenmiştir. Genetik algoritma, K-Means algoritmasının başlangıç küme merkezlerini belirleyebilmek için kullanılmıştır. Çalışmada altı adet veri seti kullanılmıştır. Bu veri setleri kullanılarak K-Means algoritması ve GKM Algoritması (Genetik K-Means (GKM)), kümeleme performans metrikleri ile kümeleme sonuçları değerlendirilmiştir. Yapılan performans sonuçlarına göre GKM Algoritması, K-Means algoritmasına göre daha başarılı olmuştur.
Today, the amount of data is increasing day by day. It is desired to reach useful information by analyzing this data. Grouping data according to their similarities is called clustering. K-Means algorithm is one of the most widely used algorithms in clustering. K-Means algorithm is sensitive to the parameter of initial cluster centers and this parameter can affect the cluster results. In this thesis, a genetic algorithm is used to hybridize the K-Means algorithm. Genetic algorithm is used to determine the initial cluster centers of the K-Means algorithm. Six data sets were used in the study. Using these data sets, the clustering performance metrics and clustering results of the unhybridized K-Means algorithm and the K-Means algorithm hybridized with the genetic algorithm were evaluated. According to the performance results, the hybridized K-Means algorithm with genetic algorithm was more successful than the non-hybridized K-Means algorithm.
Today, the amount of data is increasing day by day. It is desired to reach useful information by analyzing this data. Grouping data according to their similarities is called clustering. K-Means algorithm is one of the most widely used algorithms in clustering. K-Means algorithm is sensitive to the parameter of initial cluster centers and this parameter can affect the cluster results. In this thesis, a genetic algorithm is used to hybridize the K-Means algorithm. Genetic algorithm is used to determine the initial cluster centers of the K-Means algorithm. Six data sets were used in the study. Using these data sets, the clustering performance metrics and clustering results of the unhybridized K-Means algorithm and the K-Means algorithm hybridized with the genetic algorithm were evaluated. According to the performance results, the hybridized K-Means algorithm with genetic algorithm was more successful than the non-hybridized K-Means algorithm.
Açıklama
05.02.2025 tarihine kadar kullanımı yazar tarafından kısıtlanmıştır.
Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
