Veri madenciliğinin K-ortalamalar kümeleme yönteminde başlangıç ağırlık merkezi noktalarının yörünge iterasyonu ile belirlenmesi

Veri madenciliğinin en temel düşüncesi, veri kümesindeki her bir nesnenin sahip olduğu alt bilgileri ortaya çıkararak, veri kümesi hakkında istenilen bilgiye ulaşmaktır. Bu alt bilgi, veri madenciliğinde çeşitli matematiksel ve istatistiksel yöntemler ile ortaya çıkarılır. Veri madenciliğinin çalışma alanlarından biri de kümelemedir ve literatürde gözetimsiz öğrenme olarak da bilinir. Kümeleme tekniklerinin temel amacı, veri kümelerini istenilen sayıda küme veya gruplara ayırmaktır. K-Ortalamalar, kümeleme tekniklerinde en sık kullanılan bir yöntemdir. Her yöntemde olduğu gibi bu yönteminde eksiklikleri bulunmaktadır. K-Ortalamalar yönteminin en bilinen eksikliği, başlangıçta rasgele veri noktaları seçimiyle çalışmasıdır. Bu durumun, kümeleme başarısını da olumsuz bir şekilde etkilediği bilinen bir gerçektir. Çünkü her çalıştırıldığında birbirinden farklı sonuçlar üretir. Ayrıca yöntemi belirlenimci bir yöntem olmaktan çıkarmaktadır. Bu tez çalışmasında, K-Ortalamalar metotunun, belirlenimci olmayan yapısının ortadan kaldırılması ve kümeleme başarısının arttırılması hedeflenmiştir. Bu amaçla ilk olarak kümeleme metotlarına ait çalışmalar incelenmiştir. Ardından kümelemede kullanılan başlangıç ağırlık merkezi bulmaya yönelik çalışmalar araştırılmıştır. Bu bilgiler yardımıyla, veri noktalarının yörünge iterasyonuna dayanan yeni bir başlangıç ağırlık merkezi yöntemi tasarlanmıştır. Ayrıca bu yeni yöntem, Python programlama dilinde kodlanmış olup, suni ve gerçek veriler kümeleri üzerinde test edilmiştir. Yöntemde elde edilen sonuçlar, literatürde bulunan diğer çalışmaların sonuçları ile karşılaştırılmıştır. Elde edilen bulgulara göre tasarlanan yöntemin başarılı olduğu görülmüştür.