Çekirdek fonksiyonu kullanan meta sezgisel tabanlı yeni bir kümeleme algoritması
| dc.authorid | 0000-0002-4312-6127 | |
| dc.contributor.advisor | Acılar, Ayşe Merve | |
| dc.contributor.author | Elmas, Hilal | |
| dc.date.accessioned | 2024-09-23T05:59:58Z | |
| dc.date.available | 2024-09-23T05:59:58Z | |
| dc.date.issued | 2024 | |
| dc.date.submitted | 2024 | |
| dc.department | NEÜ, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı | |
| dc.description | Yüksek Lisans Tezi | |
| dc.description.abstract | 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. | |
| dc.description.abstract | Clustering analysis is an algorithm that allows unlabeled objects in a multidimensional space to be grouped into certain groups with a similarity or distance-based approach. The fact that most of the raw data produced today is unlabeled has increased the importance of clustering algorithms. In the process of dividing data points into groups according to their similarities, clustering algorithms aim to ensure that the distance between different clusters is as large as possible and that the data points within the same cluster are as close to each other as possible. Clustering can be considered as an optimization problem that aims to find optimum cluster centers by balancing these two criteria. Thus, metaheuristic optimization algorithms become available for clustering. Meta-heuristic algorithms are powerful search strategies developed to solve complex optimization problems and produce effective results when traditional methods are insufficient. These algorithms can be used effectively in complex problem spaces with high-dimensional data sets and multiple local minima in clustering, overcoming the limitations of traditional clustering methods and providing more accurate and flexible clustering solutions. Another tool used to increase clustering success is Kernel functions. Kernel functions are mathematical tools that make it possible to analyze nonlinear structures with linear methods by transforming data points into a higher dimensional space. The use of kernel functions in meta-heuristic clustering algorithms can enable more effective scanning of the solution space and improvement of clustering results. In this study, an approach combining the Radial Basis Kernel function (RBF) and the Whale Optimization Algorithm (WOA) was presented to increase the efficiency in the clustering processes of data sets that are not linearly separable, and the proposed method was named KWOA. WOA is a meta-heuristic optimization algorithm inspired by the hunting behavior of whales and specifically modeled on the strategies of humpback whales to catch schools of fish in spiral movements. The effectiveness of the proposed KWOA method was evaluated on eight datasets retrieved from the UCI Machine learning data repository and their clustering accuracies were evaluated using Rand Index (RI) and Silhouette Index (SI). Experimental studies were repeated 30 times. Nine different clustering algorithms that have proven their success in the literature were run 30 times on the same data sets and all the results obtained were discussed. As a result, it was seen that the highest RI and SI values were obtained with the proposed KWOA algorithm. In summary, in the thesis study, the KWOA algorithm combined the capacity of kernel functions to effectively represent the non-linear structure of data sets and the optimization ability of WOA and effective results were obtained. | |
| dc.identifier.citation | Elmas, H. (2024). Çekirdek fonksiyonu kullanan meta sezgisel tabanlı yeni bir kümeleme algoritması. (Yayımlanmamış yüksek lisans tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı, Konya. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12452/18754 | |
| dc.language.iso | tr | |
| dc.publisher | Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Balina Optimazsyon Algoritması | |
| dc.subject | Kernel Kümeleme | |
| dc.subject | Kümele | |
| dc.subject | Radyal Tabanlı Çekirdek Fonksiyonu | |
| dc.subject | Whale Optimization Algorithm | |
| dc.subject | Kernel Clustering | |
| dc.subject | Clustering | |
| dc.subject | Radial Basis Kernel Function | |
| dc.title | Çekirdek fonksiyonu kullanan meta sezgisel tabanlı yeni bir kümeleme algoritması | |
| dc.title.alternative | A new meta-heuristic based clustering algorithm using kernel function | |
| dc.type | Master Thesis |
