Geri Dön

Çok boyutlu lineer regresyonda robust ve sparse tahmin metotlarının zooteknide kullanımı

Usage of robust and sparse estimation methods for high-dimensional linear regression in animal science

PDF İndir

  1. Tez No: 637271
  2. Yazar: CEM TIRINK
  3. Danışmanlar: PROF. DR. HASAN ÖNDER
  4. Tez Türü: Doktora
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Zootekni Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışmada, veri setinde çoklu bağlantılılık, aykırı değer varlığı ve değişken sayısının gözlem sayısından çok olduğu durumların her biri için çok değişkenli istatistik yöntemlerinden regresyon analizinde kullanılacak olan farklı tahmin edicilerin performanslarının değerlendirilmesi amaçlanmıştır. Özel bir işletmeden alınan Saanen ırkı oğlakları için çeşitli vücut ölçümleri ile 6.ay canlı ağırlık tahmin edilmiştir. Veri setinde çoklu bağlantılılık, aykırı değer varlığı yanında değişken sayısının gözlem sayısından fazla olduğu durumlar için En Küçük Kareler yönteminin güvenilir sonuçlar vermemesinden dolayı robust ve sparse tahmin edicilerinin kullanımı ve performansları değerlendirilmiştir. Aykırı değer ve çoklu bağlantılılık varlığında kullanılan robust ve sparse tahmin edicisi olarak Ridge tahmin edicisi, Liu tahmin edicisi, M (Huber tipi ve Bisquare tipi için) tahmin edicisi, S tahmin edicisi, MM tahmin edicisi ve LTS tahmin edicisi kullanılmıştır. Değişken sayısının gözlem sayısından fazla olduğu koşullar için ise; Elastic Net ve LASSO tahmin edicilerinin performansları değerlendirilmiştir. Çalışmada model karşılaştırma kriteri olarak HKO, RMSE, rRMSE, MAPE, MAD R2, adj-R2 ve AIC kullanılmıştır. Çalışmanın sonucunda veri setinde çoklu bağlantılılık, aykırı değer varlığı durumunda ve değişken sayısının gözlem sayısından fazla olduğu durumlarda; Ridge tahmin edicisi, Huber tipi M tahmin edicisi ve LASSO tahmin edicisinin önerilmektedir.

Özet (Çeviri)

In this study, it was aimed to evaluate the performance of different estimators that will be used in regression analysis, which is one of the multivariate statistical methods for each of the situations such as the number of explanatory variables more than the number of observations, multicollinearity and the data set has a lot of outliers. 6th month live weight was estimated with various body measurements for Saanen kids taken from a private farm. In the data set, the use and performance of robust and sparse estimators were evaluated because the Least Squares method did not provide reliable results for cases where the number of explanatory variables was more than the number of observations besides the presence of multicollinearity and outliers. Ridge estimator, Liu estimator, M (for Huber type and Bisquare type) estimator, S estimator, MM estimator and LTS estimator were used as robust and sparse estimators used in the presence of outliers and multicollinearity. For conditions where the number of explanatory variables is higher than the number of observations; the performances of Elastic Net and LASSO estimators were evaluated. MSE, RMSE, rRMSE, MAPE, MAD, R2, adj-R2 ve AIC were used as model comparison criteria in the study. As a result of the study, in the case of multicollinearity, outlier value(s) presence in the data set and the number of variables is higher than the number of observations; Ridge estimators, Huber type M estimators and LASSO estimators are recommended.

Benzer Tezler

  1. Tez No

    999347

    Bridging causal discovery and graph neural networks: a comparative perspective

    Nedensel keşif ve çizge sinir ağları arasındaki köprü: Karşılaştırmalı bir bakış açısı

    MUHAMMED ÖMER TAYLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. SEFER BADAY

  2. Tez No

    879699

    Machine learning assisted force field development for nucleic acids

    Nükleik asitler için makine öğrenimi destekli kuvvet alanı geliştirilmesi

    GÖZDE İNİŞ DEMİR

    Doktora

    İngilizce

    İngilizce

    2024

    Kimyaİstanbul Teknik Üniversitesi

    Hesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)

    PROF. DR. ADEM TEKİN

  3. Tez No

    255608

    A new contribution to nonlinear robust regression and classification with MARS and its applications to data mining for quality control in manufacturing

    Doğrusal olmayan sağlam regresyon ve sınıflandırmaya MARS ile yeni bir katkı ve bu katkının endüstride kalite kontrolü amaçlı veri madenciliği uygulamaları

    FATMA YERLİKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2008

    Bilim ve TeknolojiOrta Doğu Teknik Üniversitesi

    Bilimsel Hesaplama Ana Bilim Dalı

    DOÇ. DR. İNCİ BATMAZ

    PROF. DR. GERHARD WİLHELM WEBER

  4. Tez No

    1019585

    Classification, prediction and state estimation algorithms for predictive maintenance

    Kestirimci bakım için sınıflandırma, tahmin ve durum kestirimi algoritmaları

    UĞUR YILDIRIM

    Doktora

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik MühendisliğiAdana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HÜSEYİN AFŞER

  5. Tez No

    676095

    Modelling and state of charge estimation of lithium-ion batteries

    Lityum bazlı batarya hücrelerininmodelleme ve şarj durumu tahmini

    MANİ KAZIMI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. METİN GÖKAŞAN

Geri Dön