Kümeleme Analizi (K-means / Hiyerarşik)
Veri setinizdeki gözlemleri benzerliklerine göre otomatik gruplara ayırın. K-means veya Hiyerarşik (Ward) yöntemle, silhouette skoruna göre otomatik küme sayısı önerisi ve küme profili tablosuyla tam rapor.
İki Yöntem
K-means veya Hiyerarşik (Ward bağlantı) kümeleme yöntemlerinden birini seçin.
Otomatik k Seçimi
Küme sayısını belirtmezseniz silhouette skoruna göre en uygun k otomatik seçilir.
Küme Profili
Her kümenin büyüklüğü ve değişken ortalamaları tablo halinde raporlanır.
PDF Rapor
Diyagnostik grafik, dağılım grafiği ve APA formatında raporlama cümlesi PDF olarak indirilir.
Nasıl Çalışır?
CSV veya Excel dosyanızı yükleyin.
Analiz otomatik olarak saniyeler içinde tamamlanır.
Sonuçları ekranda görün ve PDF olarak indirin.
Ücretsiz hesap açın, hemen kullanmaya başlayın.
Başla — ÜcretsizKümeleme analizi, gözlemleri önceden belirlenmiş bir etiket olmadan benzerliklerine göre otomatik olarak gruplara (kümelere) ayıran gözetimsiz (unsupervised) bir makine öğrenmesi yöntemidir. Pazarlama (müşteri segmentasyonu), işletme ve eğitim araştırmalarında katılımcı/vaka profilleri oluşturmak için yaygın olarak kullanılır. K-means ve Hiyerarşik (Ward bağlantı) olmak üzere iki temel yöntem sunulur.
Kullanım Rehberi
Ne Zaman Kullanılır?
Veri setinizdeki gözlemleri "doğal" gruplara ayırmak, örneğin benzer davranış/tutum sergileyen katılımcı profilleri çıkarmak istediğinizde kullanın. Hedef/bağımlı bir değişkeniniz varsa ve önceden bilinen gruplara göre tahmin yapmak istiyorsanız Karar Ağacı veya SVM gibi gözetimli (supervised) yöntemler daha uygundur.
Varsayımlar ve Sınırlılıklar
Değişkenler sayısal/sürekli olmalıdır (en az 2 değişken). Değişkenler farklı ölçeklerde olsa da analiz öncesi otomatik olarak standartlaştırılır (StandardScaler), bu nedenle elle ölçekleme gerekmez. K-means küresel/benzer büyüklükte kümeler varsayar; aykırı değerlere duyarlıdır. Hiyerarşik (Ward) yöntem daha esnek küme şekillerine izin verir ancak büyük veri setlerinde (binlerce satır) hesaplama maliyeti yüksektir.
Sonuçlar Nasıl Yorumlanır?
Silhouette Skoru: Bir gözlemin kendi kümesine, en yakın diğer kümeye göre ne kadar iyi uyduğunu ölçer (−1 ile +1 arası); ≥ 0.71 güçlü, 0.51–0.70 makul, 0.26–0.50 zayıf, ≤ 0.25 anlamlı bir küme yapısı bulunamadığını gösterir (Kaufman & Rousseeuw, 1990). Küme Profili: Her kümenin büyüklüğü ve değişken ortalamaları, kümelerin hangi özelliklerle ayrıştığını gösterir. Elbow/WCSS grafiği (K-means): Küme içi hata kareler toplamının küme sayısı arttıkça azalma hızındaki kırılma noktası, uygun k için bir diğer görsel ipucudur.
APA Formatı Örneği
K-means kümeleme analizi sonucunda silhouette katsayısına göre en uygun küme sayısı k = 3 olarak belirlenmiştir (silhouette = .58), bu değer makul düzeyde bir küme yapısına işaret etmektedir.
Sık Sorulan Sorular
K-means mi, Hiyerarşik kümeleme mi seçmeliyim?
K-means büyük veri setlerinde hızlıdır ve küme sayısını önceden belirlemenizi gerektirir (otomatik öneri de sunulur). Hiyerarşik (Ward) yöntem dendrogram ile kümelerin iç içe yapısını görsel olarak sunar, küçük/orta büyüklükteki veri setlerinde (birkaç bin satırın altında) tercih edilir.
Küme sayısını (k) kendim mi belirlemeliyim?
Alanı boş bırakırsanız k=2 ile 10 arasında silhouette skoruna göre en iyi k otomatik seçilir. Teorik bir beklentiniz varsa (örn. literatürde bilinen 3 segment) k değerini elle de girebilirsiniz.
Bu analizi kendiniz yapmak yerine uzmanına bırakmak ister misiniz?
Verilerinizi gönderin, uzman analistlerimiz Kümeleme Analizi (K-means / Hiyerarşik) analizini sizin adınıza gerçekleştirip raporlasın. Ücretsiz ön değerlendirme ile başlayın.
Ücretsiz Proje Talebi GönderBu analizi öğrenmek ister misiniz?
Kümeleme Analizi (K-means / Hiyerarşik) analizini kendi verinizle yapmayı birebir eğitimle öğrenin.
Eğitimleri Keşfet