Geri Dön

Mixture model based data clustering

Karma model tabanlı kümeleme

PDF İndir

  1. Tez No: 460979
  2. Yazar: CHIPO MUFUDZA
  3. Danışmanlar: Prof. Dr. GÜZİN YÜKSEL
  4. Tez Türü: Doktora
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışma, bir popülasyondaki karmaşık heterojenlik özelliklerini araştıran kümeleme tekniklerine dayalı karma modellerin incelenmesi üze-rinde yoğunlaşmıştır. Hem parametrik hem de parametrik olmayan karma modeller farklı durumlarda incelenmiştir. Özellikle Poisson karma regresyon modelleri ve Sıfır ¸şişirilmiş Poisson karma modelleri parametrik durum için incelenirken Gauss çekirdek yoğunlukları da parametrik olmayan durum için incelenmiştir. Parametrik karmalar, kümeleri ve bile¸senleri aynı varsayarken, bunlar parametrik olmayan durum için voronoi diagramları ve sonsuz bile¸sen modelleri aracılığı ile grafik teori teknikleri kullanılarak farklı şekilde gözlemlendi. Karma modeller kullanılan daha iyi kümeleme yöntemleri kümeleme analizi yolu ile sınıflandırılarak belirlendi. Sonuçlara göre, parametrik ve parametrik olmayan karmalardaki kümelerin sayıları aynı olmalarına rağmen bu yaklaşımlar genellikle çok farklıdır. Parametrik olmayan karışılar, sınıflandırıcı performansını arttrıma ve dolayısıyla heterojeliği daha verimli bir şekilde sıkıştırma yenetenekler ile kanılandığı üzere daha iyi kümeler üretir. Bu nedenle, karma modellere, geleneksel kümeleme yönetemleri üzerindeki yoğunluklar ve parametreler yoluyla küme özelliklerinde çkarımlara izin verme yeteneği onları daha iyi kümeleme yönetemleri haline getirir. Parametrik olmayan karma daha sağlam, esnek ve daha iyi kümeler ürettikleri için parametrik olarak tercih edilmelidir

Özet (Çeviri)

The study focused on exploring the use of mixture models for data clustering techniques on data with complex heterogeneous properties. Both parametric and nonparametric mixture models were here considered. In particular, Poisson mixture regression models and Zero Inflated Poisson mixture models were applied and analysed for the parametric case as mixtures of Gaussian kernel densities were considered for the nonparametric case. Although, parametric mixtures assume clusters and components to be the same, these are observed different by either using graph theory techniques via voronoi diagrams or infinite componential models in the nonparametric case. Determination of better clustering method using mixture models was enabled through classification via clustering analysis. Results shows that although number of clusters from the parametric mixtures can be the same with nonparametric, these approaches are generally very different. Nonparametric mixtures produce better clusters as evidenced by their ability to improve classifier performance and hence compacting heterogeneity in a more efficiently way whilst parametric are a bit rigid. The ability by mixture models to allow inferences on cluster properties via densities and parameters over traditional clustering methods makes them a better clustering methods. We conclude that although mixture models are better than hierarchical models, nonparametric mixture should be preferred over parametric as they are more robust, flexible and produce better clusters.

Benzer Tezler

  1. Tez No

    499520

    Çok değişkenli verilerin modele dayalı kümeleme analizinde kümeleme etkinliğinin arttırılması

    Improving effectiveness of clustering on model-based cluster analysis of multivariate data

    SERKAN AKOĞUL

    Doktora

    Türkçe

    Türkçe

    2018

    İstatistikSelçuk Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. MURAT ERİŞOĞLU

  2. Tez No

    482406

    Veri madenciliğinde modele dayalı kümeleme analizi

    Model based cluster analysis in data mining

    İSMET BİRBİÇER

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    İstatistikÇukurova Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. ALİ İHSAN GENÇ

  3. Tez No

    478510

    Tarım sigortalarında konumsal kümeleme üzerine bir çalışma

    A study on spatial clustering in agricultural insurance

    İSMAİL GÜR

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Aktüerya BilimleriHacettepe Üniversitesi

    Aktüerya Bilimleri Ana Bilim Dalı

    DOÇ. DR. ŞAHAP KASIRGA YILDIRAK

  4. Tez No

    325526

    Biclustering using nonparametric Bayesian methods

    Parametrik olmayan Bayesci yöntemlerle iki indis üzerinden öbekleme

    SAFİYE ÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ALİ TAYLAN CEMGİL

  5. Tez No

    355312

    Fault detection and data validation in refinery power production

    Rafinerideki güç üretiminde hata tespiti ve veri doğrulaması

    TUBA KAHYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Kimya MühendisliğiOrta Doğu Teknik Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SERKAN KINCAL

Geri Dön