Elipsoit destek vektör öbekleme algoritmasının çeşitli sentetik ve biyomedikal veri setleri üzerinde performans analizi

İletişimin ve teknolojinin gelişmesi ile dünyadaki dijital veri miktarı gittikçe artmaktadır. Bu nedenle, özellikle son yıllarda bu veriler kullanılarak anlamlı bilgi elde etmek çok önemli hale gelmiştir. Özellikle, öbekleme yöntemleri, veri içindeki gizli desenleri çıkarmak için kullanılan en önemli algoritmalardan biridir. Çoğu öbekleme yönteminde, Öklid uzaklığı, veri örnekleri arasında benzerlik metriği olarak kullanılır. Öklid uzaklığında, verilerin varyansları eşit kabul edilir. Ancak, çoğu gerçek dünya verisi farklı varyansta veriler içerebilir. Bunun için, Mahalanobis uzaklığı kullanılarak Kernel tabanlı Elipsoit Destek Vektör Öbekleme (EDVÖ) algoritması geliştirilmiştir. EDVÖ yöntemi kernel fonksiyonunun varyans parametresi sayesinde küme sayısının önceden belirtilmesine ihtiyaç duymadan veri örneklerine göre uygun küme sınırlarını otomatik olarak oluşturabilir. Bu çalışma iki kısma ayrılmıştır. İlk kısımda, EDVÖ yöntemi ilk kez hepatit ve parkinson gibi gerçek biyomedikal veri setlerine uygulanmış ve ardından k-merkez, bulanık c-merkez, hiyerarşik gibi Öklid uzaklığı kullanan öbekleme algoritmalarıyla karşılaştırılmıştır. Simülasyon sonuçlarından, EDVÖ algoritmasının oldukça iyi performans gösterdiği gözlemlenmiştir. İkinci bölümde, Cauchy, Laplacian ve hyper tangent kernelleri, EDVÖ için Gauss kerneline alternatif olarak önerilmiş ve daha sonra performans analizleri yapılmıştır. Elde edilen analiz sonuçlarına göre, Cauchy ve hyper tangent kernel fonksiyonlarının Gauss kernele alternatif olarak kullanılabileceği gösterilmiştir.