Geri Dön

Gauss karma regresyon analizinin türetilmiş verilerde etkinliğinin araştırılması

The estimating of Gauss mixture regression analysis on simulated data sets

  1. Tez No: 242035
  2. Yazar: EYLEM ITIR AYDEMİR
  3. Danışmanlar: DOÇ. DR. SETENAY ÖNER
  4. Tez Türü: Doktora
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Gauss Karma Regresyon, Sonlu Karma Modeller, BIC, Model Tabanlı Kümeleme Analizi, Çok Boyutluluk, Gaussian Mixture Regression, Finite Mixture Models, BIC, Model-Based Clustering, High Dimension
  7. Yıl: 2009
  8. Dil: Türkçe
  9. Üniversite: Eskişehir Osmangazi Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 88

Özet

Araştırmacılar doğrusal olmayan örneklerde esnekliği elde etmek için parametrik modellerin geliştirilmesine yönelmişlerdir. Veri modellemede parametrik modeller çok boyutlu problemlere başarı ile uygulanırken esneklik varsayımlarını sağlayamayıp, yanlı tahminler vermektedir. Parametrik olmayan yöntemler ise esnekliği sağlar fakat yüksek boyutlarda güçlük çekmektedirler.Esneklik varsayımlarını sağlayan GMR yöntemi, verideki heterojeniteyi belirlemek ya da aşırı yayılmayı açıklamak için regresyon modellerinin sonlu karmaları kullanılarak oluşturulur. Regresyon modeli oluşturulurken yoğunluk fonksiyonunu modelleme amacıyla kullanılır, verinin bileşik yoğunluğu modellenir ve GMM'den regresyon fonksiyonu türetilir.Bu çalışmanın amacı, GMR yönteminin teorik temellerini açıklamak, Doğrusal ve Karesel Ayırma Analizi ile Esnek Ayırma Analizi yöntemlerinden MARS ve BRUTO Analizlerinin sonuçlarını karşılaştırmak, türetilmiş veriler kullanarak ayırma problemlerinde kullanımını göstermek ve Model Tabanlı Kümeleme yöntemlerini açıklamaktır.Veri türetimi ve analizlerde; ortalama vektörleri, kovaryans matrisleri ve grup gözlem sayıları değiştikçe ayırma yöntemlerinin doğruluk oranları arasındaki değişiklikler, grup sayısının artışı ile birlikte ayırma yöntemlerinin doğruluk oranları arasındaki değişimler ve GMM'e Model Tabanlı Kümeleme yöntemi uygulayarak en iyi modelin belirlenmesi ve Poisson gürültü (Poisson noise) uygulandığındaki ayırma yönteminin nasıl uygulandığı gösterilmiştir.Sonuç olarak Kovaryans matrisinin parametrizasyonuna göre, grup ortalama vektörleri arasındaki farka göre doğruluk oranlarının değiştiği, grup gözlem sayılarına göre doğruluk oranlarının değişmediği, büyük gözlem sayılarında GMR'nin yüksek doğruluk oranları verdiği gözlenmiştir. GMR parametrik olmayan regresyon modellemede diğer yöntemlerin yerine kullanılabilir.

Özet (Çeviri)

The analysts have gone towards to developing the parametric methods to get flexibility in non linear samples. Parametric models could be applied in high dimensions but could not supply the flexibility assumptions, this results in biassed forecasting. Non parametric methods have problems in high dimensions.GMR is a flexible method used to determine the heterogenity in data and explain the overdispersion with Finite Mixtures. The GMM is used to model the density function and the joint density of the data and derived the regression function.The main goal of this research is to explain the theoretic basis of GMR and to compare the analysis results with Lineer, Quadratic, MARS, BRUTO discriminant analysis and to show how the analysis work in discrimination when the simulation data is used and to explain the model-based DA.For simulations and analysis; it is shown that, how the accuracy proportions of the discriminant methods changed when the mean vector, covariance matrix and group observation sizes are changed, how the accuracy proportions of discrimant methods are changed when the groups are increased, what is the best model when the model-based cluster method is applied to GMM, how the discriminant method works after poisson noise added to the model.Finally the accuracy ratios are changed due to the covariance matrix parametrization and the difference between mean vectors, but the group observation sizes. The GMR should be used in non parametric regression modeling instead of other methods.

Benzer Tezler

  1. Lineer Olmayan Lojistik Regresyon Analizinde Model Kurma Stratejileri ve Bir Uygulaması

    Model Building Strategies for Nonlinear Logistic Regression Analysis and an Application

    NESLİHAN İYİT

    Yüksek Lisans

    Türkçe

    Türkçe

    2003

    İstatistikSelçuk Üniversitesi

    İstatistik Ana Bilim Dalı

    YRD. DOÇ. DR. AŞIR GENÇ

  2. Penetration rate optimization in heterogeneous formations with support vector machines method

    Destek vektör makinesi yöntemi ile heterojen formasyonlarda ilerleme hızı optimizasyonu

    KORHAN KOR

    Doktora

    İngilizce

    İngilizce

    2021

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜRŞAT ALTUN

  3. Uzun süreli verilerin analizinde kullanılan makine öğrenmesi algoritmaları

    Machine learning algorithms for longitudinal data analysis

    CAN DEMİRCİGİL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İstatistikHacettepe Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. MELİKE BAHÇECİTAPAR

  4. Radarla hedef tanıma ve sınıflandırma için temel bileşenler analizine dayalı yeni karma yöntemler

    Novel hybrid methods based on pca for radar target recognition and classification

    YAŞAR KARTAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT TAYFUN GÜNEL

  5. Mixture model based data clustering

    Karma model tabanlı kümeleme

    CHIPO MUFUDZA

    Doktora

    İngilizce

    İngilizce

    2017

    İstatistikÇukurova Üniversitesi

    İstatistik Ana Bilim Dalı

    Prof. Dr. GÜZİN YÜKSEL