Belirsizlik Altında Beyazlaştırma Tabanlı Sınıflandırma: Gri Kümeleme
Grey Clustering (Grey Incidence / Whitenization) · Ayrıca şöyle bilinir: Grey Whitenization Weight Function Clustering, Grey Fixed-Weight Clustering, Grey Variable-Weight Clustering, Gri Kümeleme
Gri Kümeleme, gri sistemler teorisinden türetilmiş bir sınıflandırma yöntemidir ve nesneleri, beyazlaştırma ağırlık fonksiyonlarını kullanarak önceden tanımlanmış gri sınıflara atar. Deng Julong'un gri sistem teorisi çerçevesinde geliştirilen ve Sifeng Liu tarafından sistematize edilen bu yöntem, özellikle küçük örneklem boyutları, eksik bilgi veya belirsiz verilerin söz konusu olduğu durumlar için uygundur; bu koşullar mühendislik değerlendirmeleri, çevresel izleme ve sosyoekonomik değerlendirmelerde yaygındır. Yöntem, her nesnenin her bir gri sınıfa ne kadar güçlü bir şekilde ait olduğunu ölçer ve maksimum kümeleme katsayılarına dayanarak kesin bir atama yapar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Nesneleri veri kıtlığı veya belirsizlik altında sıralı nitel kategorilere ayırmanız gerektiğinde ve kriter ağırlıkları ile sınıf sınırları alan bilgisinden veya standartlardan belirtilebildiğinde Gri Kümeleme'yi kullanın. Çevresel kalite değerlendirmesi, proje risk derecelendirmesi, tedarikçi değerlendirmesi ve altyapı durumu derecelendirmesi için iyi uyum sağlar. Varsayımlar, her sınıf için anlamlı dönüm noktası belirtimlerini ve ölçülebilir kriter ölçeklerini içerir. Bilinmeyen sınıf sayısının olduğu keşifsel kümeleme için uygun değildir (bunun yerine k-means veya hiyerarşik kümeleme kullanın) ve keyfi sonuçlardan kaçınmak için beyazlaştırma parametrelerinin dikkatli bir şekilde elde edilmesini gerektirir.
Güçlü yönler & sınırlılıklar
- Olasılıksal yöntemlerin istatistiksel gücünün yetersiz kaldığı küçük veya eksik veri kümeleriyle iyi çalışır
- Beyazlaştırma fonksiyonları, düzenleyici standartları veya uzman tarafından tanımlanan sınıf sınırlarını doğrudan kodlayabilir
- Nesne düzeyinde ve sistem düzeyinde sınıflandırma özetlerini kapsamlı kümeleme indeksi aracılığıyla üretir
- Dağılım varsayımları gerektirmeden kısmi, belirsiz veya nitel ölçümleri işler
- Beyazlaştırma dönüm noktaları ve kriter ağırlıkları önceden belirtilmelidir, bu da öznellik katar
- Gri sınıf sayısı önceden belirlenmelidir; yöntem doğal küme yapısını keşfetmez
- Dönüm noktalarının seçimine duyarlıdır - kötü kalibre edilmiş fonksiyonlar yanıltıcı sınıf atamalarına yol açabilir
- Makine öğrenimi kümeleme yöntemlerinin daha verimli olduğu yüksek boyutlu, büyük ölçekli veri kümeleri için uygun değildir
SSS
Gri Kümeleme, Bulanık C-Means'ten nasıl farklıdır?
Bulanık C-Means, küme prototiplerini verinin kendisinden yinelemeli olarak optimize eder, bu da onu keşifsel ve veri odaklı hale getirir. Gri Kümeleme, dönüm noktaları harici standartları veya alan uzmanlığını yansıtan önceden tanımlanmış beyazlaştırma ağırlık fonksiyonları kullanır. Gri Kümeleme teyit edicidir - nesnelerin bilinen kategorilere ne kadar iyi uyduğunu sorar - oysa Bulanık C-Means gizli yapıyı keşfeder. İki yöntem yumuşak üyelik felsefesini paylaşır ancak kurulum ve amaç açısından temelden farklıdır.
Beyazlaştırma ağırlık fonksiyonu nedir ve dönüm noktalarını nasıl belirlerim?
Beyazlaştırma ağırlık fonksiyonu, bir kriter değerini belirli bir gri sınıftaki üyelik derecesine eşler; sıfırdan yükselir, tam üyelikte düzleşir ve ardından dört dönüm noktası boyunca sıfıra düşer. Dönüm noktaları tipik olarak düzenleyici standartlardan, uzman görüş birliğinden alınır veya geçmiş verilerden kalibre edilir. Kötü seçilmiş dönüm noktaları sınıflandırma geçerliliğini doğrudan zayıflatır, bu nedenle fonksiyon parametrelerini kesinleştirmeden önce alan danışmanlığı ve duyarlılık testi esastır.
Gri Kümeleme, karışık nicel ve nitel kriterleri işleyebilir mi?
Evet. Nitel kriterler önce sayısal ölçeklere (örneğin, Likert veya kodlanmış sıralı ölçekler) eşlenir ve ardından beyazlaştırma çerçevesi içinde herhangi bir nicel kriter gibi işlem görür. Her kritere atanan ağırlık, göreceli önemini yansıtabilir. Bu esneklik, Gri Kümeleme'yi, tüm göstergelerin sürekli ölçeklerde doğrudan ölçülemediği yönetim ve politika alanındaki çok kriterli problemler için pratik hale getirir.
Kaynaklar
- Liu, S., & Lin, Y. (2010). Grey Systems: Theory and Applications. Springer. ISBN: 978-3-642-13937-6
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Grey Clustering (Grey Incidence / Whitenization). ScholarGate. https://scholargate.app/tr/soft-computing/grey-clustering
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bulanık C-Ortalamalar Kümelemesi (FCM)Makine öğrenmesi↔ karşılaştır
- GM(1,1) Gri Tahmin ModeliEsnek hesaplama↔ karşılaştır