Bulanık Sayıların Bulanık Kümeleme Analizinde Kullanımı ve Satranç Oyuncularının Sınıflandırılması

Abstract

Kümeleme Analizinde amaç; gruplanmamış verileri benzerliklerine göre sınıflandırmak ve araştırmacıya işe yarar özet bilgiler sunmaktır. Son dönemlerde istatistiksel sınıflama konularında daha popüler olan kümeleme analizi; küme sayısı hakkında ön bilgi olduğu zaman daha güvenilir sonuçlar vermektedir. Bulanık modelleme ise, bulanık model yapılarıyla ilgilenir ve yapısı tam olarak bilinmeyen sistemlerin davranışlarını tahmin etmeye çalışır. Bulanık Kümeleme Analizi de üyelik dereceleri kesin olarak saptanamayan grupları ayrıştırmaya çalışır.Gözlem sayıları ve değişken sayıları arttıkça veya küme yapıları birbirlerine çok yakın olduğu durumlarda Bulanık Kümeleme Analizi, diğer kümeleme yöntemlerine göre daha başarılı sonuçlar verdiği görülmüştür.Bu çalışmada; Kümeleme, Bulanık Kümeleme Analizi ve Bulanık Sayılarda Bulanık Kümeleme Analizi yöntemleri tanıtılmış, aralarındaki farklar belirtilmiştir. Uygulama kısmında ise, satranç oyuncularının maç skorlarına ve ECO kodlarına göre sınıflandırılmasına çalışılmıştır. Sonuçlar, sözel belirsizliklerin olduğu veri setlerinde Bulanık Sayılarda Bulanık Kümeleme Analizi yöntemlerinin istenilen sonuçlara yakın değerler verdiğini göstermiştir.The aim of clustering analysis is to classify data sets in to similarity and perform useful knowledge for the researcher. Cluster analysis, which became more popular among the subjects of statistical classification in recent years, can give more reliable results when there is a priori knowledge about number of clusters. Fuzzy models interested in fuzzy model structures and try to estimate system behaviors that have no knowledge about their structure. Fuzzy Clustering Analysis is try to decompose the groups which membership degrees cannot be determined.When the number of data and variables increased or cluster structures came to closer for all, cluster analysis has given more successful results than the other cluster analysis methods. In this study; the Cluster analysis, fuzzy clustering analysis and fuzzy clustering analysis with fuzzy data has been presented and the difference between them are discussed. In the application part, it is tried to classify chess players via their games scores and ECO codes. Results were very satisfied with fuzzy clustering analysis with fuzzy data when data sets which have linguistic ambiguities have been studied.