1)Hiyerarşik Modeller
Hiyerarşik modeller bir ağaç yapısı oluşturarak kümeleme işlemini gerçekleştirmektedir. Oluşturulan kümeleme ağaıcının bütün ağaç yapılarında olduğu gibi bir root düğümü ve çocuk düğümleri mevcutdur. Aşağıdan yukarıya, toplaşım kümeleme algoritmaları ve yukardan aşağıya kümeleme algoritmaları olarak iki grupta toplanabilir.

Toplaşım kümeleme algoritmaları, başlangıçta veritabanındaki herbir noktayı bir küme olarak görür. Bu kümeleri birleştire birleştire birbirinden ayrı kümeler oluşturur. Bölünür kümeleme algoritmaları ise başlangıçta veritabanındaki tüm noktaları tek bir kümeymiş gibi görür. Veritabanını taradıkça, birbirine benzemeyen noktaları kümeden dışarı atarak önceden verilmiş,k kadar kümeye dağıtır. (Silahtaroğlu,2008)

Hiyerarşik Modelleri kullanan başlıca algoritmalar ise şunlardır.

1.1) SLINK Algoritması
SLINK algoritması, Tek Bağlantı tekniği ile anılmaktadır. SLINK algoritması yukarda anlatılmış olan toplaşımlı metoda göre çalışmaktadır. SLINK algoritması temelde  2 küme grubunun en dışında olan ve birbirine yakın olan noktalar arasındaki mesafeye göre benzerlik teoremleri geliştirerek kümeleme işlemini gerçekleştirmektedir. Buradaki mesafenin ve benzerliği ölçümünde bilinen formullerden yararlanılmaktadır. Ayrıca burada en kısa yol algoritması (gezgin satıcı algoritması olarak da geçmektedir.) kullanıldığını da belirtmek gerekir.

1.2) CURE (Clustering Using Representatives ) Algoritması
Bu algoritma dağınık bir şekil gösteren küme yapılarında ki küme içine alınıp alınamayacağına karar verilemeyen nesnelerin değerlendirilmesine faydalı bir yaklaşım önermektedir. Bu algoritma temelde bütün nesneleri birer küme oluşturabileceği yaklaşımına göre çalışmakatadır. Özetle, CURE algoritması temsiciler kullanarak kümeleme işlemini gerçekleştirmektedir

1.3) CHAMELEON Algoritması
CHAMELEON algoritması iki küme arasındaki benzerliği dinamik bir şekilde belirler ve çoğu algoritmanın(SLINK,CURE vb.) hatalı kümelemeler yaptığı durumlarda düzgün bir şekilde kümeleme işlemini gerçekleştirmektedir. Temelde bu algoritma kümelerin kendi iç benzerlikleri ile alt kümeleri arasında ki benzerliklere göre işlemlerini gerçekleştirmektedir. Bazı durumlarda kümenin dışına yakın nesneler komşu bir kümenin merkezine mesafe olarak yakın olabilir, bu gibi durumlarda k-means algoritması gibi algoritmalar hatalı işlemler yapmasına rağmen CHAMELEON için böyle birşey sözkonusu değildir. Çünkü bu algoritmada dinamik olarak küme içerisinde ki bağlantılar ve benzerliklerde dikkate alınmaktadır.
Aşağıdaki şekilde algoritmanın çalışma mantığını görebilirsiniz.

1.4) BIRCH  Algoritması
BIRCH (Balanced Iterative Reducing and Clustering using Hierarcihes ) Algoritması çok büyük veritabanlarının kümelenmesi amacıyla oluşturulmuş, gürüntülü verilerin kontrolunü de sağlayan ilk hiyerarşik kümeleme algoritmasıdır. BIRCH algoritması kümeleme işlemini bir ağaç yapısı oluşturarak gerçekleştirir ve sadece sayısal veriler üzerinde çalışır. Burada belirtilen ağaç yapısına CF ağacı denmektedir.

CF = (n,LS,SS).

CF ağacı yukarıdan aşağıya doğru artış gösterir.(yani toplaşım algoritması değil ,hiyerarşik ama bölünür bir kümeleme algoritmasıdır) CF ağacının dallarının artışı, daha önceden belirlenmi T (eşik değeri) ne kadar devam eder. T değerinin aşıldığı yerlerde bir aşağı düğüme geçilir. Aşağıdaki şekilde CF ağacının yapısı görülebilir.



 
2)Bölümlemeli Modeller

2.2) PAM (Partioning Around Medoids ) Algoritması
PAM algoritması küçük veritabanlarında (deneysel olarak 100 nesneli ve 5 ayrı kümeli veritabanlarında iyi çalıştığı görülmüştür). Bu algoritma temsilci denen bir sayı etrafında k adet kümeyi oluşturmaya çalışır ve her defasından seçilen bu temsilcileri değiştirerek tekrardan işlemleri yineler. Temsilci olarak ifade edilen değerleri medoid olarak adlandırdığı için K-Medoid olarak da kaynaklarda geçebilir. Bu temsilciler belirlendikten sonra diğer noktalar bu temsilciler etrafında toplanır. Bu yineleme kümelerde değişiklik olmayana kadar devam eder.

2.3) CLARA (Clustering LARge Application) Algoriması
CLARA algoritması, PAM algoritmasından farklı olarak tüm veritabanından bir temsilci seçmek yerine rastegele bir örnek küme üzerinde PAM algoritmasını gerçekleştirir. Ayrıca CLARA algoritması çok büyük veritabanlarında çok hızlı kümeleme işlemlerini gerçekleştirebilir.

2.4) CLARANS (Clustering Large Application based on RANdomized Search) Algoritması
CLARANS algoritması dağınık bir şekil çizen (uzaysal) verilerin kümelenmesinde kullanılan bir algoritmadır. CLARANS algoritması verilen n adet nesnenin temsilciler aracılığıyla ve bir şebeke diyagramından yararlanırak k adet kümeye ayrılması şeklinde özetlenebilir. CLARANS algoritması da CLARA gibi tüm veritabanını taramaz; yani her düğümün tüm kümşularını taramaz. Ancak CLARA algoritmasından farklı olarak taramasını da belirli bir alt şebekeyle sınırlandırmaz. (Silahtaroğlu, 2008)

Etiketler: veri madenciliği algoritmaları