Comparison of central point clustering methods

U završnom radu je opisan pojam razvrstavanja objekata te vrste metoda za razvrstavanje objekata s naglaskom na razvrstavanje oko središnje točke. Opisane su neke od češće korištenih metoda razvrstavanja objekata oko središnje točke. Navedene su i objašnjene mjere udaljenosti za objekte s brojčanim obilježjima te mjere kvalitete razvrstavanja objekata. Dan je opis ostvarenog programskog rješenja koje omogućuje izvođenje i usporedbu metoda za razvrstavanje oko središnje točke. Algoritmi k-means, k-means++, k-medoids i fuzzy c-means analizirani su i uspoređeni koristeći ostvareno programsko rješenje na raznim skupovima podataka. Algoritam k-medoids pokazao se kao najbolji algoritam za razvrstavanje malih skupova podataka, algoritam k-means++ kao najbolji algoritam za razvrstavanje velikih skupova podataka zbog male vremenske složenosti, a algoritam fuzzy c-means kao najprikladniji algoritam za razvrstavanje niskodimenzionalnih skupova podataka s preklapanjem između grozdova.The final paper describes data clustering and different types of data clustering methods with an emphasis on center-based data clustering. Descriptions of some of the most frequently used center-based data clustering methods are given. Distance metrics for numerical data and assessment metrics for data clustering are listed and explained. A description of the realized software solution that allows execution and comparison of center-based data clustering methods is given. The algorithms which were analyzed and compared using the software solution on various datasets are k-means, k-means++, k-medoids and fuzzy c-means. The k-medoids algorithm proved to be the best algorithm for clustering small datasets, the k-means++ algorithm proved to be the best algorithm for clustering large datasets due to its low time complexity, and the fuzzy c-means algorithm proved to be the most suitable algorithm for clustering low-dimensional datasets with overlap between clusters