- Trends in Business and Economics
- Vol: 25
- BULANIK KÜMELEMEDE EN UYGUN KÜME SAYISININ YAPAY SİNİR AĞLARI VE DİSKRİMİNANT ANALİZİ İLE BELİRLENME...
BULANIK KÜMELEMEDE EN UYGUN KÜME SAYISININ YAPAY SİNİR AĞLARI VE DİSKRİMİNANT ANALİZİ İLE BELİRLENMESİ
Authors : Faruk Alpaslan, Necati Erilli, Ufuk Yolcu, Erol Eğrioğlu, Ç. Aladağ
Pages : 0-0
View : 11 | Download : 2
Publication Date : 2012-08-01
Article Type : Other
Abstract :Özet: Bir kümeleme probleminde, kümeler birbirinden belirgin bir şekilde ayrılmıyorsa ya da bazı birimler küme üyeliğinde kararsızsa, klasik kümeleme yöntemleri yerine bulanık kümeleme yöntemleri tercih edilmesi yararlı olacaktır. Kümeleme analizinde, anlamlı ve sağlıklı sonuçlara ulaşabilmek için en uygun küme sayısının belirlenmesi önemlidir. Ancak, birçok kümeleme algoritması küme sayısının önceden bilinmesini gerektirir. En uygun küme sayısının belirlenme işlemlerine genel olarak küme geçerliliği adı verilmektedir. Bulanık kümeleme ile ilgili literatürde en uygun küme sayısı, küme geçerlilik indeksleri ile belirlenmektedir. Bazı karmaşık yapılar içeren verilerde, küme üyeliklerindeki karasızlıklar nedeniyle, küme geçerlilik indeksleri en uygun küme sayısını belirlemede birbirleri ile çelişen sonuçlar verebilmektedir. Ayrıca hangi indeksin en uygun küme sayısını belirlediğini ortaya koyan bir ölçüt de bulunmamaktadır. Bu çalışmada, en uygun küme sayısını belirlemede, ileri beslemeli yapay sinir ağları ve diskriminant analizi kullanılmış; sonuçlar PC, CE gibi küme geçerlilik indekslerinden elde edilen sonuçlar ile karşılaştırılarak en uygun küme sayısı hakkında karar verilmeye çalışılmıştır. Anahtar Kelimeler: Bulanık Kümeleme, Küme geçerlilik indeksi, Yapay sinir ağları, Diskriminant Analizi. Abstract: In a clustering problem, it would be better to use fuzzy clustering if there was an uncertainty in determining clusters or memberships of some units. Determining the number of cluster has an important role on obtaining sensible and sound results in clustering analysis. In many clustering algorithm, it is firstly need to know number of cluster. However, there is no pre information about the number of cluster in general. The process of determining the most proper number of cluster is called as cluster validation. In the available fuzzy clustering literature, the most proper number of cluster is determined by utilizing cluster validation indices. When the data contain complexity are being analyzed, cluster validation indices can produce conflictive results. Also, there is no criterion point out the best index. In this study, artificial neural networks and discriminant analysis are employed to determine the number of cluster and the proposed method are applied some data and obtained results are compared to those obtained from validation indices like PC and CE. Keywords: Fuzzy clustering, Cluster validation index, Artificial neural network, Discriminant analysis.Keywords :