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
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.

K means cluster

More Related Content

Featured

K means cluster