A New Method  for Determining the Number of Clusters Without Clustering

Duygu Selin Turan

Makale detayları

A New Method for Determining the Number of Clusters Without Clustering

Yazarlar:

Duygu Selin Turan

Yayıncı:

Van Yuzuncu Yıl University

Ana Başlıklar:

Algoritmalar ve Hesaplama Kuramı | Veri Yapıları ve Algoritmalar

Dergi:

Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.30 Issue 2, pp.596-607

Belge Tipi:

Makale

Yayın Tarihi:

8/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001357513

pISSN:

1300-5413

Anahtar kelimeler:

Özet:

 Clustering methods are essential for identifying patterns in data, and the number of clusters significantly impacts the quality of results. Determining the optimal number of clusters is challenging, particularly for large datasets, as traditional methods can be computationally expensive. Developing efficient techniques to determine the number of clusters is crucial for improving both the accuracy and scalability of clustering, especially in large-scale applications. In this study, a new approach for determining the number of clusters is presented. The proposed method aims to find the number of clusters based solely on the distances between data points, without performing clustering. Similar to the Elbow method, the elbow point is found for the distances between data points, and the number of clusters is determined using this elbow point. The proposed algorithm was compared with the Elbow method using 11 real-world datasets and 4 performance metrics. The results demonstrate that the proposed method is particularly advantageous in terms of time complexity, especially as the dataset size increases.

 Clustering methods are essential for identifying patterns in data, and the number of clusters significantly impacts the quality of results. Determining the optimal number of clusters is challenging, particularly for large datasets, as traditional methods can be computationally expensive. Developing efficient techniques to determine the number of clusters is crucial for improving both the accuracy and scalability of clustering, especially in large-scale applications. In this study, a new approach for determining the number of clusters is presented. The proposed method aims to find the number of clusters based solely on the distances between data points, without performing clustering. Similar to the Elbow method, the elbow point is found for the distances between data points, and the number of clusters is determined using this elbow point. The proposed algorithm was compared with the Elbow method using 11 real-world datasets and 4 performance metrics. The results demonstrate that the proposed method is particularly advantageous in terms of time complexity, especially as the dataset size increases.

 Clustering methods are essential for identifying patterns in data, and the number of clusters significantly impacts the quality of results. Determining the optimal number of clusters is challenging, particularly for large datasets, as traditional methods can be computationally expensive. Developing efficient techniques to determine the number of clusters is crucial for improving both the accuracy and scalability of clustering, especially in large-scale applications. In this study, a new approach for determining the number of clusters is presented. The proposed method aims to find the number of clusters based solely on the distances between data points, without performing clustering. Similar to the Elbow method, the elbow point is found for the distances between data points, and the number of clusters is determined using this elbow point. The proposed algorithm was compared with the Elbow method using 11 real-world datasets and 4 performance metrics. The results demonstrate that the proposed method is particularly advantageous in terms of time complexity, especially as the dataset size increases.

 Kümeleme yöntemleri, verilerdeki örüntüleri belirlemek için önemlidir ve küme sayısı, sonuçların kalitesini önemli ölçüde etkiler. Optimal küme sayısının belirlenmesi, özellikle büyük veri setlerinde zorlu bir görevdir, çünkü geleneksel yöntemler hesaplama açısından maliyetli olabilir. Küme sayısını belirlemek için verimli tekniklerin geliştirilmesi, özellikle büyük ölçekli uygulamalarda, kümelemenin doğruluğu ve ölçeklenebilirliğini iyileştirmek için kritik öneme sahiptir. Bu çalışmada, küme sayısını belirlemek için yeni bir yaklaşım sunulmuştur. Önerilen yöntem, kümeleme yapmadan sadece veri noktaları arası uzaklıkları temel alarak küme sayısını bulmayı amaçlar. Dirsek yöntemine benzer şekilde, veri noktaları arası uzaklıklar için dirsek noktası bulunup, bu dirsek noktası yardımıyla küme sayısı belirlenir. Önerilen algoritma, Dirsek yöntemiyle 11 veri seti ve 4 performans metriği kullanılarak karşılaştırılmıştır. Sonuçlar, önerilen yöntemin özellikle veri seti boyutu arttıkça zaman karmaşıklığı açısından daha avantajlı olduğunu göstermektedir.

Makale detayları

A New Method for Determining the Number of Clusters Without Clustering

Yazarlar:

Duygu Selin Turan

Yayıncı:

Van Yuzuncu Yıl University

Ana Başlıklar:

Algoritmalar ve Hesaplama Kuramı | Veri Yapıları ve Algoritmalar

Dergi:

Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.30 Issue 2, pp.596-607

Belge Tipi:

Makale

Yayın Tarihi:

8/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001357513

pISSN:

1300-5413

Clustering

Comparative analysis

Cluster validity indexKarşılaştırmalı analiz

Kümeleme

Küme geçerlilik indeksi

Sayı

Makale detayları

A New Method for Determining the Number of Clusters Without Clustering

Yazarlar: Duygu Selin Turan

Yayıncı: Van Yuzuncu Yıl University

Ana Başlıklar: Algoritmalar ve Hesaplama Kuramı | Veri Yapıları ve Algoritmalar

Dergi: Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.30 Issue 2, pp.596-607

Belge Tipi: Makale

Yayın Tarihi: 8/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001357513

pISSN: 1300-5413

Clustering

Comparative analysis

Cluster validity indexKarşılaştırmalı analiz

Kümeleme

Küme geçerlilik indeksi

Sayı

Yazarlar:

Duygu Selin Turan

Yayıncı:

Van Yuzuncu Yıl University

Ana Başlıklar:

Algoritmalar ve Hesaplama Kuramı | Veri Yapıları ve Algoritmalar

Dergi:

Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.30 Issue 2, pp.596-607

Belge Tipi:

Makale

Yayın Tarihi:

8/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001357513

pISSN:

1300-5413