Kümeleme (Clustering) Nedir ve K-means Nasıl Çalışır?

Kümeleme analizi nedir?

Kümeleme analizi, önceden verilmiş bir etiket olmadan, birbirine benzeyen kayıtları aynı grupta toplayan bir veri analizi yöntemidir. Amaç, verinin kendi içinde var olan doğal grupları görünür kılmaktır. Her grup, kendi içinde olabildiğince benzer, diğer gruplardan olabildiğince farklı kayıtlar içermelidir.

Kümeleme, makine öğrenmesinde denetimsiz öğrenme ailesine girer. Denetimli öğrenmede model, doğru cevabı bilinen örneklerden öğrenir. Kümelemede ise doğru cevap yoktur; algoritma yalnızca kayıtlar arasındaki uzaklık ya da yoğunluk gibi ölçütlere bakar. Bu yüzden sonuç, bir analistin yorumlamasıyla anlam kazanır: algoritma grupları bulur, grupların ne anlama geldiğini ise alan bilgisi olan kişi söyler.

K-means algoritması adım adım nasıl çalışır?

K-means, en yaygın bilinen kümeleme algoritmasıdır. Önce analist küme sayısını belirler; bu sayıya k denir. Algoritma şu adımları döngü halinde tekrar eder:

• Başlangıç olarak veri uzayında k adet merkez noktası (centroid) seçilir.
• Her kayıt, kendisine en yakın merkeze atanır.
• Her kümenin merkezi, o kümeye atanan kayıtların ortalamasına taşınır.
• Atamalar artık değişmeyene ya da değişim çok küçülene kadar önceki adımlar yinelenir.

Algoritmanın adı bu ortalama alma işleminden gelir. Basit ve hızlı olduğu için büyük veri kümelerinde de kullanılabilir. Buna karşılık sonuç, başlangıç merkezlerinin nasıl seçildiğine bağlı olarak değişebilir; bu nedenle uygulamada algoritma farklı başlangıçlarla birkaç kez çalıştırılır ve en tutarlı sonuç tercih edilir.

Küme sayısı nasıl seçilir, veri nasıl hazırlanır?

K-means'te en zor karar küme sayısıdır. Analistler genellikle farklı k değerlerini dener ve kümelerin ne kadar sıkı olduğunu ölçer. Dirsek yöntemi (elbow), k arttıkça kümeler içi dağılımın nasıl azaldığına bakar ve azalmanın belirgin biçimde yavaşladığı noktayı aday seçer. Silhouette skoru ise bir kaydın kendi kümesine, komşu kümeye göre ne kadar yakın olduğunu ölçerek kümeler arası ayrımı değerlendirir. Bu ölçütler yol gösterir, kesin cevap vermez; iş bağlamı son sözü söyler.

Hazırlık da en az algoritma kadar önemlidir. K-means uzaklığa dayandığı için ölçeği büyük olan değişken sonucu domine eder. Örneğin yıllık gelir ile ziyaret sıklığı aynı ölçekte olmazsa, gelir tek başına kümeleri belirler. Bu yüzden değişkenler genellikle standartlaştırılır. Kategorik değişkenler sayıya çevrilmeli, aykırı değerler ise merkezleri çekeceği için ayrıca ele alınmalıdır.

K-means dışında hangi kümeleme yaklaşımları var?

K-means, kümelerin kabaca küre biçiminde ve benzer büyüklükte olduğunu varsayar. Veri bu varsayıma uymuyorsa başka yaklaşımlar daha uygundur.

Hiyerarşik kümeleme, kayıtları adım adım birleştirerek ya da bölerek bir ağaç yapısı (dendrogram) üretir. Küme sayısını baştan söylemek gerekmez; ağacı hangi düzeyde keseceğinize sonradan karar verirsiniz. Yoğunluk tabanlı yöntemler, örneğin DBSCAN, sık kayıt bölgelerini küme sayar ve seyrek bölgedeki kayıtları gürültü olarak ayırır. Bu sayede düzensiz biçimli kümeleri bulabilir ve aykırı değerleri doğal biçimde dışarıda bırakır.

Seçim, verinin yapısına ve sonucun nasıl kullanılacağına bağlıdır. Hızlı bir ilk bakış için k-means makuldür; biçimi belirsiz ya da gürültülü veride yoğunluk tabanlı yöntem daha sağlıklı sonuç verebilir.

Kümeleme analizi nerede kullanılır? Küçük bir örnek

En bilinen kullanım müşteri segmentasyonudur. Örneğin bir perakende şirketi, müşterilerinin alışveriş sıklığı, sepet tutarı ve en son alışveriş tarihi gibi değişkenlerini kümelediğinde, sık alışveriş yapan sadık müşteriler, nadiren ama büyük sepetle gelenler ve uzun süredir görünmeyenler gibi gruplar ortaya çıkabilir. Pazarlama ekibi her gruba farklı kampanya kurgular.

Benzer biçimde kümeleme; belge ve haber metinlerini konularına göre gruplamada, görüntüyü renk bölgelerine ayırmada, sensör verisindeki alışılmadık davranışları bulmada ve ürün kataloglarında benzer ürünleri bir araya getirmede kullanılır. Ortak nokta, elde çok veri olması ama bu verinin hangi gruplardan oluştuğunun önceden bilinmemesidir.

Bir hatırlatma: kümeleme grup bulur, neden grup olduklarını açıklamaz. Bulunan kümelerin iş açısından anlamlı olup olmadığı, her kümenin ortalama profiline bakılarak ve alan uzmanlarıyla konuşularak sınanmalıdır.

Kümeleme ile sınıflandırma arasındaki fark nedir?

Sınıflandırmada gruplar bellidir ve modele etiketli örnekler gösterilir; model yeni bir kaydın hangi gruba ait olduğunu tahmin eder. Spam ve spam olmayan e-postaları ayırmak buna örnektir. Kümelemede ise grupların ne olduğu baştan bilinmez, algoritma grupları kendisi önerir.

Pratikte bu yöntemler birbirini tamamlar. Önce kümeleme ile veri keşfedilir ve anlamlı gruplar tanımlanır; ardından bu gruplar etiket olarak kullanılıp yeni gelen kayıtları ayıran bir sınıflandırma modeli eğitilebilir. Boyut indirgeme gibi komşu denetimsiz teknikler de kümelemeden önce, çok değişkenli veriyi görselleştirmek ve gürültüyü azaltmak için sık kullanılır.

Kümeleme Mindset programlarında nerede çalışılır?

Denetimsiz Öğrenme Algoritmaları eğitiminin modül başlıkları arasında K-Ortalama ve Bölümleyici Kümeleme ile Hiyerarşik ve Yoğunluk Tabanlı Kümeleme bulunur. Aynı eğitimde boyut indirgeme ve ilişkilendirme kuralları da ayrı modüller olarak yer alır.