Yazar "Elmas, Hilal" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim
    Öğe
    Çekirdek fonksiyonu kullanan meta sezgisel tabanlı yeni bir kümeleme algoritması
    (Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Elmas, Hilal; Acılar, Ayşe Merve
    Kümeleme analizi, çok boyutlu uzayda yer alan etiketsiz nesnelerin benzerlik veya yakınlık temelli bir yaklaşımla belirli gruplar içerisinde gruplanmasını sağlayan algoritmalardır. Günümüzde üretilen ham verilerin çoğunun etiketsiz olması kümeleme algoritmalarının önemini artırmıştır. Kümeleme algoritmaları, veri noktalarını benzerliklerine göre gruplara ayırma sürecinde, farklı kümeler arasındaki mesafenin mümkün olduğunca büyük olması ve aynı küme içindeki veri noktalarının birbirine olabildiğince yakın olması hedeflenmektedir. Kümeleme, bu iki kriteri dengeleyerek optimum küme merkezlerini bulmayı amaçlayan bir optimizasyon problemi olarak ele alınabilir. Böylece meta sezgisel optimizasyon algoritmaları kümeleme için kullanılabilir hale gelir. Meta-sezgisel algoritmalar, karmaşık optimizasyon problemlerini çözmek için geliştirilen ve geleneksel yöntemlerin yetersiz kaldığı durumlarda etkili sonuçlar üreten güçlü arama stratejileridir. Bu algoritmalar, kümelemede yüksek boyutlu veri kümeleri ve çoklu yerel minimumların bulunduğu karmaşık problem uzaylarında etkin bir şekilde kullanılarak, geleneksel kümeleme yöntemlerinin sınırlamalarını aşmada ve daha doğru ve esnek kümeleme çözümleri sunabilmektedirler. Kümeleme başarısını artırmak için kullanılan diğer bir araç ise Çekirdek (Kernel) fonksiyonlarıdır. Çekirdek fonksiyonları, veri noktalarını daha yüksek boyutlu bir uzaya dönüştürerek, lineer olmayan yapıların lineer yöntemlerle analiz edilmesini mümkün kılan matematiksel araçlardır. Kümeleme analizinde, veri noktalarının daha karmaşık ve gizli ilişkilerinin ortaya çıkarılmasını sağlarlar. Özellikle veri setinin orijinal uzayında lineer olarak ayrılmadığı durumlarda faydalıdırlar. Meta-sezgisel kümeleme algoritmalarında çekirdek fonksiyonları kullanımı, çözüm uzayının daha etkili bir şekilde taranmasını ve kümeleme sonuçlarının iyileştirilmesini sağlayabilmektedir. Bu motivasyondan yola çıkılarak gerçekleştirilen bu çalışmada, özellikle doğrusal olarak ayrılamayan veri kümelerinin kümeleme süreçlerinde etkinliği artırmak için, Radyal Tabanlı Çekirdek fonksiyonu (RBF) ile Balina Optimizasyon Algoritması'nı (WOA) birleştiren bir yaklaşımı sunulmuş ve önerilen yönteme KWOA ismi verilmiştir. WOA, balinaların avlanma davranışlarından esinlenerek tasarlan ve özellikle kambur balinaların balık sürülerini sarmal hareketlerle yakalama stratejilerini model alan meta sezgisel bir optimizasyon algoritmasıdır. Önerilen KWOA yönteminin etkinliği, UCI Makine öğrenmesi veri deposundan alınan sekiz veri seti üzerinde test edilmiş ve Rand Indeks (RI) ve Siluet İndeks (SI) kullanılarak kümeleme doğrulukları değerlendirilmiştir. Deneysel çalışmalar 30 kez tekrar edilmiştir. Literatürde başarısı ispatlamış dokuz farklı kümeleme algoritması da aynı veri setleri üzerinde 30 kez çalıştırılmış ve elde edilen tüm sonuçlar tartışılmıştır. Sonuç olarak önerilen KWOA algoritması ile en yüksek RI ve SI değerlerinin elde ettiği görülmüştür. Özetle, gerçekleştirilen tez çalışmasında KWOA algoritmasında, çekirdek fonksiyonlarının veri setlerinin doğrusal olmayan yapısını etkili bir şekilde temsil edebilme kapasitesi ile ve WOA'nın optimizasyon yeteneği birleştirilmiş ve etkili sonuçlar elde edilmiştir.