Geri Dön

Sürekli Bayesci ağlar için genelleştirilmiş lineer modeller yaklaşımı

Generalized linear models approach for continuous Bayesian networks

PDF İndir

  1. Tez No: 765058
  2. Yazar: SELİN CEREN TURAN
  3. Danışmanlar: PROF. DR. MEHMET ALİ CENGİZ
  4. Tez Türü: Doktora
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 148

Özet

Bayesci Ağlar, değişkenler arasında olası ilişkilerin belirlenmesi ve karar verme sürecinde hem uzman hem de verilere dayalı grafiksel bir yöntemdir. Bu yöntem kesikli veriler üzerinde oldukça yaygın kullanılmaktadır. Sürekli verilerin mevcut olması durumunda, Klasik Bayesci Ağlar yönteminin kullanımı ile oluşturulan modeller doğru ve güçlü performans gösteremezler. Ancak, gerçek hayatta ekonomi, sağlık, biyoloji, kimya vb. gibi birçok alandaki problemlerin içerdiği veri setleri sürekli değişkenlerden oluşmaktadır. Genelleştirilmiş Lineer Modeller yaklaşımı ile oluşturulmuş Bayesci Ağlar, birçok problemin çözümünü, karar verme ve planlama sürecini daha ekonomik, hızlı, etkin, ve güvenilir bir biçimde gerçekleştirilebilmektedir. Bu amaçla kullanılan Tweedie sınıfına ait olan Tweedie Bayesci Ağlar yöntemi, yakın zamanda keşfedilmiş ve literatüre kazandırılmış bir yöntemdir. Bu çalışmada, yine Genelleştirilmiş Lineer Modeller çatısı altında Bayesci Ağlar incelenmiş ve Normal Bayesci Ağlar'a karşı olan gücü ve üstünlüğü hem gerçek bir veri üzerinde hem de simülasyon çalışmalarıyla sunulmuştur. Ayrıca, konum, ölçek ve şekil için Genelleştirilmiş Toplamsal Model yöntemi ile Bayesci Ağlar entegre edilerek, sürekli verilerle ile oluşturulabilecek alternatif yöntem test edilmiştir. Çalışma kapsamında kullanılan veri seti ile oluşturulan modeller karşılaştırılarak yöntemler sunulmuştur.

Özet (Çeviri)

Bayesian Networks are both expert and data-based graphical methods in the determination of possible relationships between variables and in the decision-making process. This method is widely used on discrete data. In the presence of continuous data, models created using the Classical Bayesian Networks method cannot perform accurately and strongly. However, in real life it can be used in economics, health, biology, chemistry, etc. The data sets included in the problem in many areas such as these consist of continuous variables. Bayesian Networks, created with the Generalized Linear Models approach, can perform the solution of many problems, decision making and planning processes in a more economical, fast, effective, and reliable way. The Tweedie Bayesian Networks method, which belongs to the Tweedie class used for this purpose, is a method that was recently discovered and brought to the literature. In this study, Bayesian Networks are examined under the umbrella of Generalized Linear Models and their strength and superiority over Normal Bayesian Networks are presented both on a real data and simulation studies. In addition, the alternative method that can be created with continuous data by integrating the Generalized Additive Model method and Bayesian Networks for position, scale and shape is tested. The methods are presented by comparing the models created with the data set used in the study.

Benzer Tezler

  1. Tez No

    717398

    Bayesçi ağlarda zamansal değişkenlerin kullanımı

    Using time dependent variables in Bayesian networks

    ASLI YAMAN

    Doktora

    Türkçe

    Türkçe

    2022

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MEHMET ALİ CENGİZ

  2. Tez No

    375002

    Veri madenciliği sınıflama yöntemlerinin başarılarının; bağımlı değişken prevelansı, örneklem büyüklüğü ve bağımsız değişkenler arası ilişki yapısına göre karşılaştırılması

    Comparison of the performances of data mining classification methods based on prevalence of the dependent variable, sample size and the correlation of the independent variables

    MUHSİN ÖZGÜR DOLGUN

    Doktora

    Türkçe

    Türkçe

    2014

    Bilim ve TeknolojiHacettepe Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    PROF. DR. OSMAN SARAÇBAŞI

  3. Tez No

    692422

    Hybridization of probabilistic graphical models and metaheuristics for handling dynamism and uncertainty

    Değişimin ve belirsizliğin ele alınması için olasılıksal çizgesel biçelerin ve sezgi-üstlerinin melezleştirilmesi

    GÖNÜL ULUDAĞ

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE ŞİMA UYAR

  4. Tez No

    637945

    Performance comparison of machine learning methods and traditional time series methods for forecasting

    Geleneksel zaman serisi yöntemleri ve makine öğrenmesi yöntemlerinin öngörü performans karşılaştırması

    OZANCAN ÖZDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. CEYLAN YOZGATLIGİL

  5. Tez No

    764011

    Forecasting warranty claims for month in services groups in automotive sector

    Otomotiv sektöründe hizmet gruplarında aylık garanti taleplerinin tahmini

    BEGÜM TEKÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. CEYLAN YOZGATLIGİL

    PROF. DR. TUĞBA TAŞKAYA TEMİZEL

Geri Dön