Cluster Analysis

Mucha, Hans‐Joachim; Sofyan, Hizir

doi:10.1007/978-3-642-57292-0_9

Cited by 6 publications

(8 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This is the disadvantage of the centroid method. For that reason, Gover (1967) suggests an alternative strategy, called the median method, because this method could be made suitable for both similarity and distance measures (Mucha and Sofyan, 2003). This method takes into consideration the size of a cluster, rather than a simple mean (Schnittker, 2000: 3).…”

Section: Median Methodsmentioning

confidence: 99%

“…The aim of Ward's method is to unify the groups such that variation inside these groups does not increase too drastically. This results in clusters that are as homogenous as possible (Mucha and Sofyan, 2003). Ward's method is based on the sum-of-squares approach and tends to create clusters of similar size.…”

Section: Ward's Methodsmentioning

confidence: 99%

“…The effect of the algorithm that it tends to merge clusters is sometimes undesirable because it prevents the detection of clusters that are not well separated. On the other hand, the criteria might be useful to detect outliers in the data set (Mucha and Sofyan, 2003). This method turns out to be unsuitable when the clusters are not clearly separated but it is very useful when detecting chaining structured data (chaining effect).…”

Section: Nearest Neighbourmentioning

confidence: 99%

“…This method proceeds like the nearest neighbour method except that at the crucial step of revising the distance matrix, the maximum instead of the minimum distance is used to look for the new item (Mucha and Sofyan, 2003). That means that this method measures the distance between clusters through the distance between the two points in the clusters furthest from one another.…”

Section: Furthest Neighbourmentioning

confidence: 99%

See 3 more Smart Citations

Hierarchical clustering with concave data sets

Francetič¹,

Nagode²,

Nastav³

2005

Adv Meth Stat

View full text Add to dashboard Cite

Clustering methods are among the most widely used methods in multivariate analysis. Two main groups of clustering methods can be distinguished: hierarchical and non-hierarchical. Due to the nature of the problem examined, this paper focuses on hierarchical methods such as the nearest neighbour, the furthest neighbour, Ward's method, between-groups linkage, within-groups linkage, centroid and median clustering. The goal is to assess the performance of different clustering methods when using concave sets of data, and also to figure out in which types of different data structures can these methods reveal and correctly assign group membership. The simulations were run in a two- and threedimensional space. Using different standard deviations of points around the skeleton further modified each of the two original shapes. In this manner various shapes of sets with different inter-cluster distances were generated. Generating the data sets provides the essential knowledge of cluster membership for comparing the clustering methods' performances. Conclusions are important and interesting since real life data seldom follow the simple convex-shaped structure, but need further work, such as the bootstrap application, the inclusion of the dendrogram-based analysis or other data structures. Therefore this paper can serve as a basis for further study of hierarchical clustering performance with concave sets.

show abstract

Section: Median Methodsmentioning

confidence: 99%

Section: Ward's Methodsmentioning

confidence: 99%

Section: Nearest Neighbourmentioning

confidence: 99%

Section: Furthest Neighbourmentioning

confidence: 99%

See 2 more Smart Citations

Hierarchical clustering with concave data sets

Francetič¹,

Nagode²,

Nastav³

2005

Adv Meth Stat

View full text Add to dashboard Cite

show abstract

“…Kümeleme analizi bir veri setinin farklı gruplar içerip içermediğini belirlemek ve eğer içeriyorsa bu grupları tespit etmek için kullanılan çok değişkenli istatistiksel yöntemlerin genel adıdır (Wu, Milton, Hammond ve Spear, 1999). Bu yöntem, çok boyutlu uzayda verilerin özetlenmesini ve tanımlanmasını, heterojen olan farklı gruplardaki gözlem yapılarını ya da nispeten homojen olan benzer gruplardaki gözlemleri uygun yöntemlerle gruplamaya olanak sağlar (Mucha ve Sofyan, 2003). Kümeleme analizinin amacı, bir veya birkaç özellik açısından benzer olan nesneleri veya değişkenleri belirlemektir (Gürsoy, 2009).…”

Section: Introductionunclassified

Matematik Öğretmen Adaylarında Sigara İçme Alışkanlıklarına İlişkin Kümelenme Eğilimlerinin Matematik Başarısını Yordama Gücü

Çelik¹

2020

efdyyu

View full text Add to dashboard Cite

Öz: Bu çalışmanın amacı matematik öğretmen adaylarının sigara içme ile ilgili bilgi, tutum ve davranışlarının kümelenme eğilimlerini belirlemektir. Ayrıca bu çalışmada oluşan kümelerin öğretmen adaylarının matematik başarısını yordama gücü araştırılmıştır. Çalışmada öğretmen adaylarının sigara içmeyle ilgili bilgi, tutum ve davranışlarıyla matematik başarısı arasındaki ilişkiyi açıklayan verilerin elde edilmesi noktasında ilişkisel tarama modeli tercih edilmiştir. Araştırma grubunu Güneydoğu Anadolu bölgesinde bulunan bir devlet üniversitesinin, eğitim fakültesi, matematik eğitimi anabilim dalında okuyan ve sigara içen 148 (41 kadın, 107 erkek) matematik öğretmen adayı oluşturmuştur. Araştırmada veriler kişisel bilgi formu, sigara içme anketi ve yıl sonu matematik başarı puan ortalamaları aracılığıyla toplanmıştır. Ward kümeleme yöntemi neticesinde, öğretmen adaylarının sigara içme ile ilgili değişkenlerinin birbirine benzer özelliklerde üç kümede toplandığı belirlenmiştir. Kümeler araştırmanın amacı kapsamında "sigara içmeye ilişkin bilişsel farkındalık", "sigara bağımlılığı ve etkileri" ve "sigaraya yönelik algısal uyarılar ve çevre" şeklinde adlandırılmıştır. Ayrıca elde edilen sigara içme tutum-davranış kümeleri bağımsız değişken ve matematik başarısı bağımlı değişken olmak üzere bir regresyon modeli kurulmuştur. Çoklu regresyon analizi sonucunda da bu kümelerin matematik başarısının yaklaşık %55'ini açıkladığı belirlenmiştir.

show abstract

A Cluster Analysis Towards Exploring Sustainable Economic Growth

Gherghina

2023

Sustainable Finance

View full text Add to dashboard Cite

Cluster Analysis

Cited by 6 publications

References 6 publications

Hierarchical clustering with concave data sets

Hierarchical clustering with concave data sets

Matematik Öğretmen Adaylarında Sigara İçme Alışkanlıklarına İlişkin Kümelenme Eğilimlerinin Matematik Başarısını Yordama Gücü

A Cluster Analysis Towards Exploring Sustainable Economic Growth

Contact Info

Product

Resources

About