Regresyonda Maksimum Entropi modellemesi
Maximum Entropy modelling in regression
- Tez No: 356430
- Danışmanlar: DOÇ. DR. İLKNUR ESEN YILDIRIM
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2014
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 135
Özet
En Küçük Kareler veya En Çok Olabilirlik yöntemleri bağımlı değişken ve bağımsız değişkenler arasındaki fonksiyonel ilişkiyi açıklamak için sıklıkla kullanılan yöntemlerdir. Bu yöntemlerin uygulanabilmesi için, bazı varsayımların sağlanması gerekmektedir. Varsayımlar sağlanamadığı takdirde, fonksiyonel ilişkiyi ölçebilmek adına literatürde farklı yöntemler kullanılabilmektedir. Alternatif yöntemlerden birisi optimizasyon tekniğini temel alan Genelleştirilmiş Maksimum Entropi Yöntemidir. Bu yöntemde, klasik yöntemlerden farklı olarak çok daha az varsayım söz konusudur. Literatürde saf ters alma problemi olarak bilinen model ilk olarak Jaynes tarafından geliştirilmiştir. Golan ve diğerleri ise, bu yöntemi geliştirerek, Genelleştirilmiş Maksimum Entropi adı ile anılan yöntemi önermişlerdir. Bu yöntemde önsel bilginin olmadığı varsayımıyla Shannon'ın entropi formülü belirli kısıtlar altında maksimize edilmektedir. Golan ve diğerleri model parametrelerini reel değerler olarak elde edebilmek için, parametre destek matrisi adı verilen destek vektörleri ile katsayıları yeniden parametrelendirmişlerdir. Yeniden parametrelendirmedeki en önemli nokta, destek vektörlerinin sınırlarının doğru bir şekilde oluşturulmasıdır. Bu çalışma ile araştırmacının parametreler ile ilgili önsel bilgiye sahip olmadığı durumlarda mevcut yöntemlere göre daha iyi parametre tahminleri elde edilmesini sağlayan destek vektörlerinin belirlenmesi amaçlanmıştır. Bu amaç doğrultusunda farklı veri setleri üzerinde çalışılarak alternatif bir yöntem önerilmiştir. Mevcut yöntemlere alternatif olarak önerilen yeni yöntemin test edilmesi aşamasında altı farklı veri seti üzerinde çalışılmıştır. Tüm veri setleri için“önsel bilgi var olmadığında daha başarılı/sağlam (robust) model tahminleri elde edilebilir mi”sorusuna yanıt aranmıştır. Rassal veri setleri küçük ve büyük örneklem, uç değerlere sahip olan olmayan ve yüksek korelasyona sahip örneklem ayrımında oluşturularak analiz edilmiştir. Analiz sonuçları, literatürde sıklıkla kullanılan R2, Ayarlı R2, MSE ve RMSE uyum iyiliği kriterlerine göre yorumlanmıştır. Anahtar Kelimeler : Genelleştirilmiş Maksimum Entropi, Destek Vektörü Sınırları, Lineer Regresyon
Özet (Çeviri)
Least Square and Maximum Likelihood Approaches are frequently used for determining the relationship between dependent and independent variable(s). However, strict assumptions must be met for these approaches. Once some of the assumptions are not meet, alternative methods might be used. One of these alternative methods is Generalized Maximum Entropy Method. In this method, there are fewer assumptions than classical methods. In literature, pure invers problem is pioneered by Jaynes. Golan et. al. developed this model and then suggested a new method named as Generalized Maximum Entropy. With this method, Shannon's entropy formula is maximized under some constraints and it is assumed there is no prior information about parameters. Golan et. al. re-parameterized coefficient by using support vectors which are known as parameter support matrix to obtain model coefficients as real values. The most important point of this process is to determine appropriate parameter support vector bounds. In this study, the main purpose is to determine support vector bounds which allow obtaining more efficient parameters than classical methods without any prior information. In line with this goal, it is suggested an alternative approach using different dataset. In this new approach which is suggested an alternative method instead of classical methods, six different dataset are used. For all dataset,“could be obtained more robust models without any prior information”is questioned. Small and big, outlier existence and highly correlated dataset are analyzed. All outcomes are interpreted in defiance of R2, Adjusted R2, MSE and RMSE which are frequently used in the literature. Keywords : Generalized Maximum Entropy, Support Vector Bounds, Linear Regression
Benzer Tezler
- Samsun ilinin meteorolojik değişkenlerinin beta regresyon ve yapay sinir ağları ile karşılaştırmalı analizi
Comparative analysis of meteorological variables of Samsun province with beta regression and artificial neural networks
ABDALLAH K.A. BALAHA
Yüksek Lisans
Türkçe
2025
İstatistikOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. PELİN KASAP
- District-based urban sprawl monitoring and modelling using CA-Markov model: application in two mega cities
İlçe bazlı kentsel yayılma izleme ve CA-Markov model ile modelleme: iki mega şehirde uygulama
ANALI AZABDAFTARI
Doktora
İngilizce
2022
İletişim Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR
- Kızılçam (Pinus brutia Ten.) meşcerelerinde yetişme ortamı özelliklerine göre bonitet sınıflarının modellenmesi
Modeling of bonitet classes according to the site characteristics in red pine (Pinus brutia Ten.) stands
MEHTAP ÖZDOĞAN
Yüksek Lisans
Türkçe
2025
Ormancılık ve Orman MühendisliğiIsparta Uygulamalı Bilimler ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
PROF. DR. SERKAN GÜLSOY
- Türkiye'de bulunan endemik abies türlerinin makine öğrenme teknikleri kullanılarak iklim değişikliği senaryoları altında habitat dağılımlarının modellenmesi
Modeling the habitat distributions of endemic abies species in Turkiye under climate change scenarios using machine learning techniques
SEVİM TUĞÇE YELER
Doktora
Türkçe
2025
Peyzaj MimarlığıVan Yüzüncü Yıl ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
PROF. DR. ONUR ŞATIR
- Kötü koşulluluk ve eksik sunumluluk problemi altında çoklu regresyon modelinin tahmin edilmesinde kullanılan bazı yöntemler ve çözüm önerileri
Some methods and solutions for estimating multiple regression model under ill conditioned and ill-posed problem
SÜMEYYA SAYILKAN
Yüksek Lisans
Türkçe
2025
EkonometriÇukurova ÜniversitesiEkonometri Ana Bilim Dalı
DOÇ. DR. SİBEL ÖRK ÖZEL