Mixture model based data clustering

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik, Türkiye

Tezin Onay Tarihi: 2017

Tezin Dili: İngilizce

Öğrenci: CHIPO MUFUDZA

Danışman: Güzin Yüksel

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışma, bir popülasyondaki karmaşık heterojenlik özelliklerini araştıran kümeleme tekniklerine dayalı karma modellerin incelenmesi üze-rinde yoğunlaşmıştır. Hem parametrik hem de parametrik olmayan karma modeller farklı durumlarda incelenmiştir. Özellikle Poisson karma regresyon modelleri ve Sıfır ¸şişirilmiş Poisson karma modelleri parametrik durum için incelenirken Gauss çekirdek yoğunlukları da parametrik olmayan durum için incelenmiştir. Parametrik karmalar, kümeleri ve bile¸senleri aynı varsayarken, bunlar parametrik olmayan durum için voronoi diagramları ve sonsuz bile¸sen modelleri aracılığı ile grafik teori teknikleri kullanılarak farklı şekilde gözlemlendi. Karma modeller kullanılan daha iyi kümeleme yöntemleri kümeleme analizi yolu ile sınıflandırılarak belirlendi. Sonuçlara göre, parametrik ve parametrik olmayan karmalardaki kümelerin sayıları aynı olmalarına rağmen bu yaklaşımlar genellikle çok farklıdır. Parametrik olmayan karışılar, sınıflandırıcı performansını arttrıma ve dolayısıyla heterojeliği daha verimli bir şekilde sıkıştırma yenetenekler ile kanılandığı üzere daha iyi kümeler üretir. Bu nedenle, karma modellere, geleneksel kümeleme yönetemleri üzerindeki yoğunluklar ve parametreler yoluyla küme özelliklerinde çkarımlara izin verme yeteneği onları daha iyi kümeleme yönetemleri haline getirir. Parametrik olmayan karma daha sağlam, esnek ve daha iyi kümeler ürettikleri için parametrik olarak tercih edilmelidir