K means cluster

PINAR BAYRAK

K MEANS CLUSTER

K MEANS CLUSTER -

KÜMELEME

Gruplanmış verileri benzerliklerine göre

sınıflandırmada kullanılır.

2 temel yönteme ayrılır:

Hiyerarişik Kümeleme

Hiyerarşik Olmayan Kümeleme

K Means Kümeleme

Diğer yöntemlerden farkı küme sayısının,

analizden önce belirlenmiş olmasıdır. Bu da

araştırmacının bilgi ve tecrübesİnin ön plana

çıkmasına neden olmaktadır.

K MEANS CLUSTER -

KÜMELEME

K MEANS CLUSTER -

KÜMELEME

K MEANS CLUSTER -

KÜMELEME

K MEANS CLUSTER – KÜMELEME

ADIMLARI

Küme sayısı belirlenir.

Her kümenin bir gözlemi seçilir.

Benzer gözlemler belirlenen bu gözlemler

etrafında kümelenir.

Burada kümeye girecek gözlemler belirlenirken

ANOVA kullanılır.

İşlemlerin tekrarlanma sayısı (iterasyon) ve

yakınsama kriteri (convergence criterion)

belirlenir.

İterasyonun en fazla 10, yakınsama kriterinin de

0-1 arasında olması beklenir.

K MEANS CLUSTER – ÖRNEK OLAY






İlk küme merkezleri – Initial Cluster Centers:

Analize başlamadan önce küme sayısını

belirlediğimiz için, bu kümelerin her bir değişkene

göre ilk merkezlerini gösteren tablodur.


Tekrarlama Tablosu – Analizin tekrarlanma

sayısını verir ancak belirlediğimiz sayıda tekrar

olması şart değildir. Optimum sayıya erişildiğinde

analiz tamamlanır.


Küme Üyeliği Tablosu – Hangi gözlemin hangi

kümenin üyesi olduğunun gösterildiği tablodur.

Gözlemin küme merkezinden uzaklığı da

gösterilmiştir. Buradan yola çıkarak ortak

kümelere bir isim verilebilir.


Final Küme Merkezleri – Değişkenlerin kümelere

göre ortalamaları gösterilir.


Final Küme Merkezleri Arasındaki Mesafeler–

Küme merkezlerinin birbirlerine olan uzaklıklarını

verir. Uzaklık değeri büyüdükçe benzerlikler

azalmaktadır.


ANOVA Sonuçları – Küme üyeliklerinin

hesaplanmasını gösteren yardımcı bir tablodur.

TEŞEKKÜR EDERİM.

Data & Analytics

K means cluster