EXPLORING EFFICIENT KERNEL FUNCTIONS FOR SUPPORT VECTOR CLUSTERING

Authors : Furkan Burak BAĞCI, Ömer KARAL

Pages : 36-42

Doi:10.22531/muglajsci.703790

View : 16 | Download : 12

Publication Date : 2020-12-31

Article Type : Research Paper

Abstract :Öbekleme verideki bilinmeyen desenleri açığa çıkararak farklı sınıflara ayıran etkili bir araçtır. Ancak, k-ortalama, k-NN, bulanık c-ortalama gibi geleneksel öbekleme algoritmalarında, veriye göre değişken olan öbek sayısının seçimi belirsizdir. Dahası, öbekleme algoritmalarının uygulanacağı veri setleri genellikle öbekler arası doğrusal olmayan sınırlara sahiptir. Bu doğrusal olmayan sınırları giriş uzayında belirlemek karmaşık bir problemdir. Bahsi geçen sorunları çözmek için, son yıllarda öbek sayısını ve sınırlarını otomatik olarak belirleyen kernel tabanlı öbekleme yöntemleri geliştirilmiştir. Özellikle, Destek Vektör Kümeleinsert ignore into journalissuearticles values(DVK); algoritması öbek sayısını otomatik olarak belirleme ve Gauss kenel parametresine göre doğrusal olmayan sınırları ortaya çıkarma gibi özellikleriyle veri analizinde büyük ilgi görmektedir. DVK tarafından belirlenen öbek ve öbekler arası sınırlar, kernel fonksiyonunun seçimine ve parametrelerine bağlı olarak değişiklik gösterebilir. Bundan dolayı, kernel fonksiyonunun seçimi önemli bir rol oynar. Bu çalışmada, ilk kez, DVK çatısı altında iki farklı kernel insert ignore into journalissuearticles values(Cauchy ve Laplacian); fonksiyonunun uygulanması ve performanslarının değerlendirilmesi gerçekleştirilmiştir. Elde edilen sonuçlardan Laplacian kernel fonksiyonunun Gauss ve Cauchy kernel fonksiyonlarından daha iyi performans gösterdiği gözlemlenmiştir.
Keywords : Öbekleme, Destek Vektör Öbekleme, Denetimsiz Öğrenme, Cauchy Kernel, Laplacian Kernel