Geri Dön

Geleneksel makine öğrenmesi ve karışık etkili makine öğrenmesi model performanslarının benzetim çalışması ile değerlendirilmesi

Assessment of the performance of classic standard machine learning models and mixed effect machine learning models via simulation study

PDF İndir

  1. Tez No: 752351
  2. Yazar: EBRU TURGAL
  3. Danışmanlar: DOÇ. DR. BEYZA DOĞANAY ERDOĞAN
  4. Tez Türü: Doktora
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 59

Özet

Kümelenmiş verilerin analizi için yaygın olarak klasik yaklaşım (genelleştirilmiş) doğrusal karışık etkili modeller (LME, GLMM) kullanılmaktadır. Bununla birlikte, doğrusal parametrik modellerin varsayımlarını sağlamak oldukça zordur. Klasik yöntemler, boylamsal verilerin alt grup gözlemlerinin yüksek derecede korelasyon sergilediği çalışmalarda düşük performansa yol açmaktadır. Ayrıca, bu yöntemler, verilerdeki doğal korelasyon yapısını hesaba katmadan kullanıldığından çıkarımların yanıltıcı olmasına yol açar. Ağaç tabanlı algoritmaları kümelenmiş verilere genişletmek için makine öğrenme yöntemleri uygulanabilir. Bunlarda biri karışık etkili makine öğrenmesi modelidir. Bu model, iki regresyon ağacı yöntemini, doğrusal olmayan karışık etkili modelinin (NLMM) sabit ve rastgele etki bileşenlerini tahmin etmek için birleştirir. Hajjem (2011) tarafından önerilen genelleştirilmiş karışık etkiler regresyon ağaçları (GMERT) yapısı ve Sela (2012) tarafından önerilen rastgele etkiler beklenti maksimizasyonu (RE-EM) ağaç yapısı birlikte ele alınır. Türetilmiş veriler üzerinde standart makine öğrenmesi modelleri ile yeni bir yaklaşım olarak makine öğrenmesi araçlarından karışık etkili makine öğrenmesi modelinin performansları benzetim uygulaması ile incelenecektir ve uygulama için örneklem büyüklükleri 5000, 10000, 15000 olarak belirlenmiştir. Gerçekleştirilecek işlemler için R programından veya Python programlama dilinden ve var olan hazır kütüphanelerden yararlanılacak, gerekli yerlerde yeni kod yazılacaktır.

Özet (Çeviri)

Classical (generalized) linear mixed effect models (LME, GLMM) are widely used for the analysis of grouped data. However, it is quite difficult to provide assumptions of linear parametric models. Classical methods lead mediocre performance in studies where subgroup observations of longitudinal data exhibit high degree of correlations. Also, these methods are used for analysis of longitudinal data without accounting for the inherent correlation structure in the data often leading to potential for misleading inference. Machine learning methods can be applied to extend tree-based algorithms to grouped data. One of them is the Mixed Effect Machine Learning model. This model combines the generalized mixed-effects regression trees (GMERT) structure for modeling general types of outcomes and the expectation maximization structure of the random-effects expectation maximization (RE-EM) tree for estimating the fixed and random-effects components of nonlinear mixed effect model (NLMM). The performances of the standard machine learning models and the mixed effects machine learning models will be analyzed by simulation study on the generated data. The sample sizes for the application were determined as 500, 1000, 15000. The R program and Python programming language and present libraries will be used for the analysis to be performed, and new codes will be written where necessary.

Benzer Tezler

  1. Tez No

    676399

    CNN-based text-independent automatic speaker identification

    Evrişimsel sinir ağı tabanlı metinden bağımsız otomatik konuşmacı tanılama

    MANDANA FASOUNAKI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN İNCE

  2. Tez No

    798375

    Robust and intelligent control of unmanned aerial vehicles

    İnsansız hava araçlarının akıllı ve gürbüz kontrolü

    ABDURRAHMAN BAYRAK

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET ÖNDER EFE

  3. Tez No

    865913

    Perakende hazır giyim firmasında makine öğrenmesi yöntemleriyle satış tahmini

    Sales forecasting in a retail fashion company using machine learning methods

    ŞEYMA GÖNEN HALICI

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ

  4. Tez No

    901576

    Efficient deep learning approaches for signal and image analysis applications

    Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları

    ONUR CAN KOYUN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  5. Tez No

    439678

    Learning adjectives of yacht hulls for customer oriented smart design

    Müşteri odaklı akıllı tasarım için yat gövde sıfatları öğrenme

    KEMAL MERT DOĞAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Endüstri Ürünleri Tasarımıİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ERKAN GÜNPINAR

Geri Dön