Effect of Different Distance Measures on the Performance of Spectral Clustering Algorithm

Gülay İlona Telsiz Kayaoğlu

Makale detayları

Effect of Different Distance Measures on the Performance of Spectral Clustering Algorithm

Yazarlar:

Gülay İlona Telsiz Kayaoğlu

Yayıncı:

Dokuz Eylul University

Ana Başlıklar:

Matematikte Optimizasyon

Dergi:

Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Vol.26 Issue 77, pp.237-241

Belge Tipi:

Makale

Yayın Tarihi:

5/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001317352

pISSN:

1302-9304

Anahtar kelimeler:

Özet:

 Clustering algorithms used in unsupervised learning problems, which is a branch of machine learning, use a distance function that measures the distances between data points to separate data points into groups with similar characteristics, and this is known as the Euclidean distance in the standard case. However, there are studies such as 1 and 2 in which the results obtained by using different distance functions instead of Euclidean distance in the K-means clustering algorithm, which is one of the most frequently used clustering algorithms, are compared. In this study, the Spectral clustering algorithm is handled with different distance functions and its results are evaluated. The datasets that the k-means algorithm could not separate successfully were preferred and it was examined whether a better clustering could be made by using different distance functions in addition to the Euclidean distance in the spectral clustering algorithm.

 Clustering algorithms used in unsupervised learning problems, which is a branch of machine learning, use a distance function that measures the distances between data points to separate data points into groups with similar characteristics, and this is known as the Euclidean distance in the standard case. However, there are studies such as 1 and 2 in which the results obtained by using different distance functions instead of Euclidean distance in the K-means clustering algorithm, which is one of the most frequently used clustering algorithms, are compared. In this study, the Spectral clustering algorithm is handled with different distance functions and its results are evaluated. The datasets that the k-means algorithm could not separate successfully were preferred and it was examined whether a better clustering could be made by using different distance functions in addition to the Euclidean distance in the spectral clustering algorithm.

 Clustering algorithms used in unsupervised learning problems, which is a branch of machine learning, use a distance function that measures the distances between data points to separate data points into groups with similar characteristics, and this is known as the Euclidean distance in the standard case. However, there are studies such as 1 and 2 in which the results obtained by using different distance functions instead of Euclidean distance in the K-means clustering algorithm, which is one of the most frequently used clustering algorithms, are compared. In this study, the Spectral clustering algorithm is handled with different distance functions and its results are evaluated. The datasets that the k-means algorithm could not separate successfully were preferred and it was examined whether a better clustering could be made by using different distance functions in addition to the Euclidean distance in the spectral clustering algorithm.

 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.

Makale detayları

Effect of Different Distance Measures on the Performance of Spectral Clustering Algorithm

Yazarlar:

Gülay İlona Telsiz Kayaoğlu

Yayıncı:

Dokuz Eylul University

Ana Başlıklar:

Matematikte Optimizasyon

Dergi:

Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Vol.26 Issue 77, pp.237-241

Belge Tipi:

Makale

Yayın Tarihi:

5/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001317352

pISSN:

1302-9304

Unsupervised Learning

Spectral Clustering

Distance FunctionsDenetimsiz Öğrenme

Spektral Kümeleme

Uzaklık Fonksiyonları

Sayı

Makale detayları

Effect of Different Distance Measures on the Performance of Spectral Clustering Algorithm

Yazarlar: Gülay İlona Telsiz Kayaoğlu

Yayıncı: Dokuz Eylul University

Ana Başlıklar: Matematikte Optimizasyon

Dergi: Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Vol.26 Issue 77, pp.237-241

Belge Tipi: Makale

Yayın Tarihi: 5/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001317352

pISSN: 1302-9304

Unsupervised Learning

Spectral Clustering

Distance FunctionsDenetimsiz Öğrenme

Spektral Kümeleme

Uzaklık Fonksiyonları

Sayı

Yazarlar:

Gülay İlona Telsiz Kayaoğlu

Yayıncı:

Dokuz Eylul University

Ana Başlıklar:

Matematikte Optimizasyon

Dergi:

Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Vol.26 Issue 77, pp.237-241

Belge Tipi:

Makale

Yayın Tarihi:

5/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001317352

pISSN:

1302-9304