Bulanık Kümeleme – Ödev Hazırlatma – Proje Yaptırma – Tez Yaptırma Fiyatları – Sunum Örnekleri – Ücretli Ödev Yaptırma – Ödev Yaptırma Ücretleri
Bulanık Kümeleme
Eldeki veriler net bir cevap önermediğinde, karar vericiler karar vermek için genellikle temel verilerdeki kalıpları veya grupları ararlar. Diskriminant analizi ve lojistik regresyon, önceden tanımlanmış gruplara gözlemler atarken, küme analizi verilerde grupları bulma sanatıdır.
Zadeh (1965) tarafından tanıtılan bulanık küme teorisi, öznel akıl yürütmeyi (örneğin, “iyi”, “çok iyi” veya “çok iyi değil” gibi bir insan tanımı) sınıflandırmaya çalışır ve sonuçlara ulaşmada olasılık dereceleri atar.
Her nesne için kesin bir kararın olduğu katı kümelemenin aksine, bulanık kümeleme, bir çözümün herhangi bir kategoride veya kümede açıkça temsil edilmediğini göstererek verilerde belirsizliğe izin verir. Bulanık kümeleme, bir öğenin (yüzde olarak) bir veri kümesine “ait” olma derecesini gösterir. Başka bir deyişle, bir veri öğesi birkaç kategorinin her birine “kısmen” ait olabilir. Bulanık analizin gücü, kısmi kategorizasyonları modelleme yeteneğidir.
Lau, Wong ve Pun (1999), bir plastik enjeksiyon kalıplama makinesini kontrol etmek için sinir ağlarını ve bulanık modellemeyi kullandı. Sinir ağı ve bulanık teknolojinin birbirini tamamladığını ve hesaplamalı akıllı teknolojilerin tuzaklarını dengelediğini öne sürdüler. Alam et al. (2000), bulanık kümeleme ve kendi kendini organize eden sinir ağlarının bir kombinasyonunu kullandı ve potansiyel olarak başarısız bankaları belirlemede başarılı oldu.
Ahn, Cho ve Kim (2000) iş başarısızlığını tahmin etmek için bu teknolojileri kullanan sonuçları rapor etmiş ve bu tahminlerin karar vericilere yardımcı olmada yararlı olduğunu vurgulamıştır. Lenard et al. (2000), iki farklı iflas kategorisini belirlemek için bulanık kümelemeyi kullanmıştır. İkinci iflas kategorisinde yer alan şirketler, çalışmada kullanılan finansal oranlar açısından daha uç değerler sergilemiştir.
Şirketler ya iflasla karşı karşıya olan bir şirketten beklenenden çok daha iyi sonuçlar (yüksek cari oran gibi) gösterdiler ya da şirketler, veri örneğindeki diğer iflas etmiş şirketlerden çok daha yüksek borç oranı gibi çok kötü sonuçlar gösterdiler. Lenard ve Alam (2004), bir Excel elektronik tablosunda dolandırıcılık tespiti için bir bulanık mantık modelini operasyonel hale getirdi.
Dolandırıcılığın tespitinde kırmızı bayrakları temsil eden farklı ifadeler için kümeler geliştirmek üzere bulanık mantık modeli kullanılarak, analiz için finansal tablo değişkenleriyle birlikte finansal olmayan veriler dahil edilmiştir. Model için genel tahmin doğruluğu %86,7 idi.
Nolan (1998), uzman bulanık sınıflandırmayı kullanmış ve bulanık teknolojinin, bir öğrenci ödevinin “çok iyi” veya “çok iyi değil” olarak derecelendirilmesinde olduğu gibi, kişinin yaklaşık akıl yürütme yapmasına olanak tanıdığını ve performansı üç şekilde iyileştirdiğini bulmuştur.
İlk olarak, belirsiz terimlerin verimli sayısal temsili yoluyla performans artırılır, çünkü bulanık teknoloji belirli bir kategorideki bir veri öğesinin temsilini sayısal olarak gösterebilir.
Bulanık matematik
Bulanık sayı nedir
Bulanık kümelerde işlemler
Bulanık bağıntı nedir
Fuzzy küme nedir
Kümeler Ne demek
Ortak küme
Küme diğer adı
Performansı artırmanın ikinci yolu, belirsiz metodolojinin geleneksel analizde açıkça tanımlanamayan bir veya daha fazla kategorideki veri öğelerinin kısmi üyeliğini gösterebilmesinin yolu olan, kötü tanımlanmış ortamlarda artan işlem aralığıdır.
Son olarak, bulanık teknoloji “gürültülü” verilere veya aykırı değerlere duyarlılığı azalttığı için performans artar. Ammar, Wright ve Selden (2000), devlet mali yönetimini sıralamak için çok seviyeli bulanık kural tabanlı bir sistem kullanmıştır.
Yazarlar, değerlendirilen bilgi ve yargılardaki belirsizliği temsil etmek için bulanık küme teorisini kullandılar. Pathak, Viyarthi ve Summers (2003), denetçilerin yerleşik talep edilen sigortadaki sahtekarlığı tespit etmeleri için bulanık mantık tabanlı bir sistem geliştirdi. Sistemlerinin hileli başvuruları tespit ederek maliyetleri düşürebildiğine inanıyorlar.
BULANIK MANTIĞIN KRİTİK KONULARI
Lenard ve diğerleri tarafından kullanılan bulanık kümeleme prosedürü. (2000) ve Lenard ve Alam (2004) FANNY olarak adlandırılır. FANNY programı, “zor” kararlardan kaçınarak veya sabit, belirli kategoriler halinde kümeleme yaparak nesneleri bölmek için “belirsizliği” kullanır.
Algoritma, veri kümesindeki her öğe için k+1 parça bilgi sağlar; burada k, kümeleme algoritmasında kullanılan küme sayısıdır. Kümesindeki i öğesinin iv üyelik katsayısı, v = 1 … k ve S , i öğesinin siluet katsayısıdır.
Daha yüksek bir U değeri, öğe i ve küme v arasında daha güçlü bir ilişki olduğunu gösterir. Siluet katsayıları, -1 ≤ Si ≤ 1 kısıtlamalarını karşılar ve iyi kümelenmiş bir nesnenin kendi kümesinden en yakın komşu kümelere olan ortalama mesafeleri nasıl kullandığını gösterir.
S, 1’e ne kadar yakınsa, tek bir öğenin kümelenmesi o kadar iyi olur. -1’e yakın bir S değeri, bir öğenin birden fazla kümeye atanabileceğini gösterir. Öklid mesafe ölçüsü, nesneler arasındaki mesafeleri hesaplamak ve her nesne için benzerlik derecesini ölçmek için kullanılır. Her i ve j nesnesi için benzerlik derecesi aşağıdaki gibi hesaplanır.
Bulanık kümeleme algoritmaları, hacim prototipleri ve benzerlik tabanlı küme birleştirme ile bulanık kümeleme algoritmaları öneren Kaymak ve Setnes’in (2000) çalışmasıyla da genişletilmiştir. Bu uzantılar, kümeleme algoritmalarının veri dağıtımında yanlılığa karşı hassasiyetini azaltır ve küme sayısının otomatik olarak belirlenmesine yardımcı olur.
Son olarak, Mashor (2001) uyarlanabilir bulanık c-ortalamalar kümeleme adı verilen bir kümeleme algoritması önerdi. Bu yöntemde, k-ortalama kümeleme gibi “zor” kümeleme algoritmalarında olduğu gibi veri örneğini tek bir merkeze atamak yerine, her bir veri örneğine, her bir merkeze ait olma derecesini belirtmek için bir üyelik derecesi atanır.
Ayrıca kümeleme programı ilk merkezlere duyarlı değildir ve daha iyi performans verir. Algoritma, verilerin birden fazla sunum gerektirmesi yerine yalnızca bir kez sunulmasını gerektirir ve bu nedenle hesaplama yükünü azaltır.
Bulanık kümelemede küme sayısını belirlemek zorlu bir iştir. Optimal kümeleme hem bulanık kompaktlığı hem de ayrımı dikkate almalıdır. Tekniğin mevcut durumu, optimal bir küme seçimi için teorik bir temel sağlamamaktadır.
Amaç fonksiyonu tabanlı bulanık kümeleme algoritmaları genellikle verileri önceden belirlenmiş sayıda kümeye bölmek için kullanılır. Bulanık c-ortalamalar algoritması, bulanık kümeleme için kullanılan en popüler amaç fonksiyonlarından biridir. Kümeler arasındaki mesafeleri ölçmek için nesneler arasındaki benzerliği kullanır.
Kümelerin geçerliliği genellikle kümeler oluşturulduktan sonra değerlendirilir. Geçerlilik Ölçütleri tipik olarak kümelerin kompaktlığı ve aralarındaki mesafeler sorunlarını ele alır. Gath ve Geva (1989), bulanık kompaktlık ve ayırma arasında bir oran olan bir geçerlilik ölçüsü önerdi.
Bensaid (1996), geçerlilik güdümlü kümeleme algoritmasını bulanık c-ortalamalar ile birleştirmenin, yalnızca bulanık c-ortalamalar tarafından oluşturulan bölümleri önemli ölçüde iyileştirdiğini savundu. Diğer çeşitli çalışmalar küme sayısı konusunu ele almıştır, ancak uygun küme sayısını önceden seçme konusunda genel kabul görmüş bir yaklaşım yoktur.
Küme geçerliliği testleri, kullanılan küme sayısının verilerin temel özelliklerini yakalayıp yakalamadığına karar vermenin tek yoludur. Mali tablo verilerinin analizinde bu hususların araştırılması ve çözülmesi çok önemlidir. Belirli bir kümeye atama, analiz edilen verilerin yüksek bir sahtekarlık “kırmızı bayrak” göstergesi olup olmadığını belirleyecektir.
Bulanık bağıntı nedir Bulanık kümelerde işlemler Bulanık matematik Bulanık sayı nedir Fuzzy küme nedir Küme diğer adı Kümeler Ne demek Ortak küme