Buradasınız

Anasayfa » Content

VERİ MADENCİLİĞİNDE NESNE YÖNELİMLİ BİRLEŞTİRİCİ HİYERARŞİK KÜMELEME MODELİ

OBJECT ORIENTED AGGLOMERATIVE HIERARCHICAL CLUSTERING MODEL IN DATA MINING

Journal Name:

  • Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

Publication Year:

  • 2011

Key Words:

Keywords (Original Language):

Author NameUniversity of AuthorFaculty of Author
Abstract (2. Language): 
Many techniques that have different intended uses are available in data mining. One of the techniques used frequently in recent years is the agglomerative hierarchical clustering analysis. In this study, an object oriented agglomerative hierarchical clustering model has been developed. Users have used the system interface easily through the interactivity of the model developed and the user requests have been accomplished quickly through the object oriented programming. Thus, the model developed has had optimum performance. In the test process of the model, monthly average wind speed data belonging to 44 cities in Turkey are clustered hierarchically. The clustering results have not only been presented in textual format in the interface created using Microsoft Visual Studio.NET platform but also have been visualized using dendrograms in Matlab. Many inferences which remained hidden previously but uncovered by the model are achieved and the model analysis has been done efficiently.
Bookmark/Search this post with
Abstract (Original Language): 
Veri madenciliği alanında farklı kullanım amacına sahip çok sayıda teknik mevcuttur. Son yıllarda sıklıkla kullanılan tekniklerden biri de birleştirici hiyerarşik kümeleme analizidir. Bu çalışmada nesne yönelimli birleştirici hiyerarşik kümeleme modeli geliştirilmiştir. Geliştirilen modelin interaktifliği sayesinde kullanıcıların sistem arayüzünü rahatlıkla kullanabilmesi ve nesne yönelimli programlama sayesinde de kullanıcı taleplerinin hızlı bir şekilde karşılanması sağlanmıştır. Geliştirilen model bu sayede optimum performansa sahip olmuştur. Modelin test aşamasında, Türkiye’deki 44 ile ait aylık ortalama rüzgâr hızı verileri hiyerarşik olarak kümelenmiştir. Kümeleme sonuçları Microsoft Visual Studio.NET platformunda oluşturulan arayüzde metinsel formatta sunulurken; Matlab’da ise dendrogramlar aracılığıyla görselleştirilmiştir. Kümeleme sonuçları sayesinde, önceden gizli olan fakat model sayesinde ortaya çıkarılan pek çok çıkarım elde edilmiş ve model analizi etkin bir şekilde yapılmıştır.
FULL TEXT (PDF): 
PDF icon arastirmax-veri-madenciliginde-nesne-yonelimli-birlestirici-hiyerarsik-kumeleme-modeli.pdf
  • 1
27
39
  • Turkish

REFERENCES

References: 

1. Akpınar, H., “Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği”, İstanbul Üniversitesi İşletme Fakültesi Dergisi, Cilt 29, No 1, 1-22, 2000.
2. Luo, Q., “Advancing Knowledge Discovery and Data Mining”, The First International Workshop on Knowledge Discovery and Data Mining (WKDD’08), Adelaide, SA, 3-5, 23-24 Ocak 2008.
3. Essid, S., Richard, G. ve David, B., “Inferring Efficient Hierarchical Taxonomies for MIR Tasks: Application to Musical Instruments”, The 6th International Conference on Music Information Retrieval (ISMIR’05), London, UK, 324-328, 11-15 Eylül 2005.
4. Choi, Y. S., Kim, S. J. ve Lee, S., “Hierarchical Shot Clustering for Video Summarization”, The Seventh European Conference on European Interactive Television (EuroITV’09), New York, USA, 1100-1107, 3-5 Haziran 2009.
5. Fung, B. K., Wang, K. ve Ester, M., “Hierarchical Document Clustering”, Encyclopedia of Data Warehousing and Mining, Idea Group Reference, Cilt 1, A-H, 555-559, 2004.
6. Doherty, K. J., Adams, R. G., Davey, N. ve Pensuwon, W., “Hierarchical Topological Clustering Learns Stock Market Sectors”, Congress on Computational Intelligence Methods and Applications, İstanbul, Türkiye, 11-17 Aralık 2005.
7. Beaver, S. ve Palazoglu, A., “Cluster Analysis of Hourly Wind Measurements to Reveal Synoptic Regimes Affecting Air Quality”, Journal of
M. Yeşilbudak ve ark. Veri Madenciliğinde Nesne Yönelimli Birleştirici Hiyerarşik Kümeleme Modeli
38 Gazi Üniv. Müh. Mim. Fak. Der. Cilt 26, No 1, 2011
Applied Meteorology and Climatology, Cilt 45, No 12, 1710-1726, 2006.
8. Karabulut, M., Gürbüz, M. ve Sandal, E. K., “Hiyerarşik Küme Tekniği Kullanılarak Türkiye’deki İllerin Sosyo-ekonomik Benzerliklerinin Analizi”, SDÜ Sosyal Bilimler Enstitüsü Dergisi, Cilt 3, No 5, 65-78, 2008.
9. Sandal, E. K., “Sosyo-ekonomik Kriterler Bakımından Türkiye, Doğu Avrupa ve Kafkas Ülkelerinin Karşılaştırılması”, Doğu Coğrafya Dergisi, Cilt 22, No 1, 89-105, 2009.
10. Ersöz, F.,“Savunma Yeteneklerinin Geliştirilmesinde Bilgi&Arge ve Inovasyonun Rolü ile Inovasyon Göstergelerine Göre Türkiye’nin Yeri”, TÜBAV Bilim Dergisi, Cilt 2, No 3, 664-371, 2009.
11. Sever, H. ve Oğuz, B., “Veri Tabanlarında Bilgi Keşfine Formel Bir Yaklaşım: Eşleştirme Sorguları ve Algoritmalar”, Bilgi Dünyası, Cilt 3, No 2, 173-204, 2002.
12. Fayyad, U., Shapiro, G. P. ve Symth, P., “The KDD Process for Extracting Useful Knowledge From Volumes of Data”, Communications of the ACM, Cilt 39, No 11, 27-34, 1996.
13. Han, J. ve Kamber, M., “Introduction”, Data Mining Concepts and Techniques, Elsevier Inc., San Francisco, USA, 21-27, 2006.
14. Kohavi, R., “Data Mining and Visualization”, The Sixth Annual Symposium on Frontiers of Engineering, , Irvine, California, 14-16 Eylül 2000.
15. Berry, M. J. A. ve Linoff, G. S., “Data MiningApplications”, Data Mining Techniques For Marketing Sales And Customer Relationship Management, Wiley Publishing,
Canada, 87-120,2004.
16. Özkan, Y., “Kümeleme”, Veri Madenciliği Yöntemleri, Papatya Yayıncılık, İstanbul, 131-148, 2008.
17. Tan, P. N., Steinbach, M. ve Kumar, V., “Cluster Analysis: Basic Concepts and Algorithms”, Introduction to Data Mining, Addison-Wesley, Boston, USA, 487-495, 2006.
18. Witten, I. H. ve Frank, E., “Implementations: Real machine learning schemes”, Data Mining Practical Machine Learning Tools and Techniques, Morgan Kaufmann Publishers, San Francisco, 235-242, 2005.
19. Internet:http://www.lrde.epita.fr/dload//20080702-Seminar/folio-dt.pdf
20. Merigó, J. ve Gil-Lafuente, A., “Using the OWA operator in the minkowski distance”, International Journal of Computer Science, Cilt 3, No 3, 149-157, 2008.
21. Larose, D. T., “Hierarchical and k-Means Clustering”, Discovering Knowledge in Data: An Introduction to Data Mining, John Wiley & Sons Inc., Hoboken, NJ, 147-162, 2005.
22. Agarwal, P., Alam, M. A. ve R. Biswas, “Analysing the Agglomerative Hierarchical Clustering Algorithm for Categorical Attributes”, International Journal of Innovation, Management and Technology, Cilt 1, No. 2, 186-190, 2010.
23. Internet: http://ceng.gazi.edu.tr/~hkaracan/NYP
H6.pdf
24. Larman, C., “More UML Notation”, Applying UML and Patterns: An Introduction to Object Oriented Analysis and Design and Unified Process, Prentice Hall, Upper Saddle River, NJ, 607-608, 2002.

Thank you for copying data from http://www.arastirmax.com