Development of new hybrid models for prediction of VO2MAX using machine learning methods combined with feature selection algorithms
Nitelik seçme algoritmalarıyla birleştirilmiş makine öğrenme yöntemleri kullanılarak yeni hibrit VO2MAX tahmin modellerinin geliştirilmesi
- Tez No: 460975
- Danışmanlar: DOÇ. DR. MEHMET FATİH AKAY
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezin iki amacı bulunmaktadır. İlk amaç; maksimal, submaksimal ve anket değişkenlerinin ilk defa ikili ve üçlü kombinasyonlarını kullanarak yeni hibrit nitelik seçme tabanlı maksimum oksijen tüketimi (VO2max) tahmin modelleri geliştirmektir. Model geliştirme için Destek Vektör Makinesi, yapay sinir ağları tabanlı ve ağaç yapılı makine öğrenme yöntemleri ile birleştirilmiş Relief-F, mRMR ve MLFS nitelik seçicileri kullanılmıştır. İkinci amaç ise; Relief-F, mRMR ve MLFS'den oluşan ve önemli VO2max tahmin değişkenlerinin belirlenmesinde daha güvenilir kararlar almak ve daha doğru modeller geliştirmek üzere üç bireysel nitelik seçicisinin konsensüs özelliklerini kullanan yeni bir hibrit nitelik seçici algoritma tasarlamaktır. Modellerin performansı üç farklı veri seti üzerinde 10 katlı çapraz doğrulama kullanılarak, çoklu korelasyon katsayıları (R's) ve ortalama karekök hataları (RMSE's) hesaplanarak değerlendirilmiştir. Elde edilen sonuçlar incelendiğinde, literatürde yer alan ve sadece maksimal, submaksimal veya anket değişkenleri ile oluşturulan nitelik seçme tabanlı normal modellerin sonuçlarına göre, bu tezde önerilen hibrit modellere ait R ve RMSE değerlerinin belirgin bir şekilde iyileştiği görülmüştür. Ayrıca, önerilen hibrit nitelik seçicisine dayalı modellerinin; Relief-F, mRMR veya MLFS'nin bireysel olarak uygulanması ile oluşturulan modellerine göre karşılaştırılabilir veya en iyi durumda ortalama %12.46'ya kadar daha düşük hata oranları ürettiği görülmüştür.
Özet (Çeviri)
The purpose of this thesis is twofold. The first purpose is to develop new hybrid feature selection-based maximal oxygen uptake (VO2max) prediction models using for the first time the double and triple combinations of maximal, submaximal and questionnaire variables. Several machine learning methods including Support Vector Machine, artificial neural network-based and tree-structured methods combined individually with three feature selectors Relief-F, minimum redundancy maximum relevance (mRMR) and maximum-likelihood feature selector (MLFS) have been applied for model development. The second purpose is to design a new ensemble feature selector, which aggregates the consensus properties of Relief-F, mRMR and MLFS to produce more robust decisions about the set of relevantly identified VO2max predictors and to create more accurate prediction models. Using 10-fold cross validation on three different datasets, the performance of prediction models has been evaluated by calculating their multiple correlation coefficients (R's) and root mean squared errors (RMSE's). The results show that compared with the results of the other regular feature selection-based models in literature, the reported values of R and RMSE of the hybrid models in this thesis are considerably more accurate. Furthermore, prediction models based on the proposed ensemble feature selector outperform the models created by individually using the Relief-F, mRMR or MLFS, achieving similar or ideally up to 12.46% lower error rates on the average.
Benzer Tezler
- Sürdürülebilir su kaynakları yönetimi için hibrit hidrolojik modellerin geliştirilmesi
Developement of hybrid hydrological models for the sustainable water resources management
PINAR GÖKÇE DURGUT
Doktora
Türkçe
2025
İnşaat MühendisliğiPamukkale Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA TAMER AYVAZ
- Calibration and optimization of rans turbulence models for various cases
Farklı problemler için rans türbülans modellerinin kalibrasyonu ve optimizasyonu
CEM TURUTOĞLU
Doktora
İngilizce
2026
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERTAÇ ÇADIRCI
- Hybrıd explaınable model for class-ımbalance mıtagatıon and multı-protocol attack detectıon ın ıomt devıces
Hybrid explainable model for class-imbalance mitagation and multi-protocol attack detection in iomt devices
ABUALQASIM KHALIL ISMAEL ISMAEL
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ROA'A ALI ABDULLAH MOHAMMEDQASEM
- Patlatma kaynaklı yer sarsıntısı tahmininde uyarlamalı bulanık çıkarım sistemi (ANFIS), destek vektör makineleri (SVM) ve gauss süreç regresyonu (GPR) tekniklerinin kullanımı
Application of adaptive-network based fuzzy inference system (ANFIS), support vector machines (SVM) and gaussian process regression (GPR) techniques for prediction of blast-induced ground vibrations
YAŞAR AĞAN
Yüksek Lisans
Türkçe
2023
Maden Mühendisliği ve Madencilikİstanbul Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
PROF. DR. TÜRKER HÜDAVERDİ
- Relativistic dft calculations of magnetic shielding tensors for spin ½ heavy nuclei
Başlık çevirisi yok
FAHRİ ALKAN