Özgün kümeleme algoritmaları: Entropi tabanlı komşuluk birleştirme ve eş zamanlı öznitelik seçici kümeleme

Kümeleme, veri biliminde araştırmacılar tarafından sıklıkla kullanılan gözetimsiz bir makine öğrenmesi yaklaşımıdır. Bir veri kümesini, benzer öğeler aynı alt kümede ve/veya benzer olmayan öğeler farklı alt kümelerde olacak şekilde alt kümelere ayırma işlemi olarak tanımlanabilir. Kümeleme literatürünün en son durumunda, kümeleme metodolojileri keyfi geometrik şekilli kümeler, yoğunluk değişimleri, çok boyutlu öznitelik uzayı gibi bazı sorunlarla karşı karşıyadır ve bunları daha düşük hesaplama karmaşıklığı içinde ve kullanıcı dostu bir ortamda aşmak popüler araştırma alanlarıdır. Bu tezde, yoğunluk değişimleri ile birlikte keyfi geometrik şekilli kümeler ve çok boyutlu öznitelik uzayı için özgün kümeleme algoritmaları (Entropi Tabanlı Komşuluk Birleştirme (ENM) ve Eşzamanlı Öznitelik Seçici Kümeleme (SFSC) geliştirilmiştir. Bu algoritmalar, Shannon Entropisi, Simetrik Bağıl Entropi ve İzotropik Konum gibi bazı istatistiksel kavramlara dayanmaktadır. Hem ENM hem de SFSC'nin, kümeleme problemlerinde uygulanabilirliği ve etkinliği göstermek için kıyaslayıcı veri setleri üzerinde deneysel analizi gerçekleştirilmiştir. Ayrıca, her iki algoritmanın da gerçek zamanlı uygulaması olarak iki vaka çalışması (sismik bölge tespiti ve müşteri kaybı analizi) verilmiştir. Deneysel analizler ve vaka çalışmaları, ENM ve SFSC'nin ilgili zorlayıcı konular için etkili metodolojiler olduğunu ve yüksek düzeyde uygulanabilirliğe, yorumlanabilirliğe ve kullanıcı dostu karaktere sahip olduğunu göstermiştir.