Farklı Uzaklık Fonksiyonlarının Spektral Kümeleme Algoritmasının Performansına Etkisi

Makine öğrenmesinin bir kolu olan denetimsiz öğrenme problemlerinde kullanılan kümeleme algoritmaları, veri noktalarını benzer özelliklere sahip olan gruplara ayırmak için veri noktaları arasındaki uzaklıkları ölçen bir uzaklık fonksiyonu kullanır, ve bu, standart durumda Öklid uzaklığıdır. Bununla birlikte en sık kullanılan kümeleme algoritmalarından k-ortalamalar (k-means) kümeleme algoritmasında Öklid uzaklığı yerine farklı uzaklık fonksiyonları kullanılarak elde edilen sonuçların karşılaştırıldığı [1],[2] gibi çalışmalar mevcuttur. Bu çalışmada ise Spektral kümeleme algoritması farklı uzaklık fonksiyonları ile ele alınarak sonuçlar değerlendirilmiştir. K-ortalamalar algoritmasının başarılı şekilde ayıramadığı veri kümeleri tercih edilmiş ve spektral kümeleme algoritmasında Öklid uzaklığının yanı sıra farklı uzaklık fonksiyonları da kullanarak daha iyi bir kümeleme yapılıp yapılmayacağı incelenmiştir.