Karma veriler üzerinde etkin kümeleme algoritmalarının geliştirilmesi

Abstract

Veri madenciliği yöntemlerinden biri olan Kümeleme Analizi, verilerin özelliklerini göz önüne alarak, birbirleri ile benzer olan verileri alt kümelere ayırmayı sağlayan çok boyutlu veri analiz yöntemidir. Kümeleme analizi yöntemleri, kümelenecek verilerin boyutu, ortamı ve özellikle de türüne göre çeşitlilik göstermektedir.Kümeleme analizinde kullanılan veri setleri, çeşitli yöntemlerle toplanan verilerin özelliklerini içermektedir. Toplanan veriler hesaplanabilir nümerik değerlerle beraber, üzerinde matemetiksel işlemlerin kısıtlı yapılabildiği kategorik özellikler de içermektedir.Bu tezde, hem nümerik, hem kategorik veriler içeren veri setleri için kümeleme algoritmaları ve onların geliştirilmiş versiyonları incelenmiştir. Literatürde yer alan algoritmaların lokal minimumlarda iyi sonuçlar vermesine karşılık global çözümler için yeterli olmaması nedeniyle, kümeleme analizi probleminin global çözümü için artımlı ve karma veriler ile çalışan yeni bir algoritma önerilmiştir. Önerilen artımlı yöntem C# dilinde MS SQL Server Veri Tabanı Yönetim Sistemi imkanları kullanılarak programlanıp, 16 gerçek veri seti üzerinde hesaplama denemeleri yapılmıştır. Önerilen algoritma k-Prototypes algoritması ile kıyaslandığında yöntemin yararlılığı açıkça gösterilmiştir.

The Clustering Analysis is one of the main techniques of data mining and it is also the method of analysis of multidimensional databases which divides the data set into clusters based on the similarity of data points. Clustering analysis methods vary according to the size, environment and especially the type of data to be aggregated.Data sets used in the clustering analysis contain the characteristics of data gathering and giving in various ways collected data features include computable numerical values as well as categorical attributes on which mathematical operations can be restricted.In this thesis, exact clustering algorithms for data sets containing both numerical and categorical data and their improved versions are investigated. Since existing algorithms provide good results at local minimums but are not sufficient for global solutions, a new algorithm for global solution of cluster analysis problem, working with incremental and mixed data, has been proposed. The proposed incremental method is programmed in C# language using MS SQL Server Database Management System facilities and calculation experiments are performed on 16 real data sets. The proposed algorithm clearly shows the usefulness of the method when compared to the k-Prototypes algorithm.