Comparison of FCM, PCM, FPCM and PFCM algorithms in clustering methods

Abstract

Clustering is a process of dividing the objects into subgroups so that the same set of data is similar, but the data of different clusters is different. The basis of the fuzzy clustering algorithms is the C- Means families and the strongest algorithm is the Fuzzy C-means (FCM) algorithm. In this study; FCM, Possibilistic Fuzzy C-means (PFCM), Fuzzy Possibilistic C-means (FPCM) and Possibilistic C- means (PCM) algorithms are used to classify the several real data sets which are E.coli, wine and seed data sets into different clusters by MATLAB program. Also, the results of PFCM, FPCM, PCM and FCM algorithms are compared according to the classification accuracy, root mean squared error (RMSE) and mean absolute error (MAE). The results show that the PFCM and FPCM algorithms have better performance than FCM and PCM according to criteria for comparing the performances.

Kümeleme, nesneleri özelliklerine göre kümelere bölme işlemidir, böylece aynı veri kümesi benzerdir, farklı kümelerin verileri farklıdır. Bulanık kümeleme algoritmalarının temeli C- ortalamalar aileleridir ve en güçlü algoritma Bulanık C- ortalamalar (BCO) algoritmasıdır. Bu çalışmada; BCO, Olabilirlikli Bulanık C-ortalamalar (OBCO), Bulanık Olabilirlikli C-ortalamalar (BOCO) ve Olabilirlikli C- ortalamalar (OCO) algoritmaları, E.koli, şarap ve tohum veri setleri olarak ifade edilen birkaç gerçek veri setini farklı kümeler halinde sınıflandırmak için MATLAB programı vasıtasıyla kullanılmıştır. Ayrıca, OBCO, BOCO ve OCO ve BCO algoritmaları sonuçları sınıflandırma doğruluğuna, hata kareler ortalamasının karekökü (HKOK) ve ortalama mutlak hata (OMH) değerlerine göre karşılaştırılmıştır. Deney sonuçları, performans karşılaştırmada kullanılan kriterlere göre OBCO ve BOCO algoritmalarının BCO ve OCO algoritmalarından daha iyi performansa sahip olduğunu göstermektedir.