EXPLORING EFFICIENT KERNEL FUNCTIONS FOR SUPPORT VECTOR CLUSTERING

Obekleme verideki bilinmeyen desenleri aciga cikararak farkli siniflara ayiran etkili bir aractir. Ancak, k-ortalama, k-NN, bulanik c-ortalama gibi geleneksel obekleme algoritmalarinda, veriye gore degisken olan obek sayisinin secimi belirsizdir. Dahasi, obekleme algoritmalarinin uygulanacagi veri setleri genellikle obekler arasi dogrusal olmayan sinirlara sahiptir. Bu dogrusal olmayan sinirlari giris uzayinda belirlemek karmasik bir problemdir. Bahsi gecen sorunlari cozmek icin, son yillarda obek sayisini ve sinirlarini otomatik olarak belirleyen kernel tabanli obekleme yontemleri gelistirilmistir. Ozellikle, Destek Vektor Kumele(DVK) algoritmasi obek sayisini otomatik olarak belirleme ve Gauss kenel parametresine gore dogrusal olmayan sinirlari ortaya cikarma gibi ozellikleriyle veri analizinde buyuk ilgi gormektedir. DVK tarafindan belirlenen obek ve obekler arasi sinirlar, kernel fonksiyonunun secimine ve parametrelerine bagli olarak degisiklik gosterebilir. Bundan dolayi, kernel fonksiyonunun secimi onemli bir rol oynar. Bu calismada, ilk kez, DVK catisi altinda iki farkli kernel (Cauchy ve Laplacian) fonksiyonunun uygulanmasi ve performanslarinin degerlendirilmesi gerceklestirilmistir. Elde edilen sonuclardan Laplacian kernel fonksiyonunun Gauss ve Cauchy kernel fonksiyonlarindan daha iyi performans gosterdigi gozlemlenmistir.