Topluluk öğrenme yöntemleri ile hanehalkı toplam enerji harcamalarının tahmin edilmesi
Prediction of household total energy expenditure with ensemble learning methods
- Tez No: 788801
- Danışmanlar: PROF. DR. ERKAN OKTAY, DOÇ. DR. ABDULKERİM KARAASLAN
- Tez Türü: Doktora
- Konular: Ekonometri, Econometrics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hanehalkı enerji tüketiminin artması küresel eneji talep ve tüketiminin artması ile sonuçlanmaktadır. Hanehalkı enerji tüketim davranışlarını anlamak, enerji verimliliğini artırmaya yardımcı olacaktır. Topluluk öğrenme yöntemleri ile hanehalkı enerji harcamalarının sınıflandırılmasının uygunluğunu araştıran çalışmalar yetersizdir. Bu çalışmada, hanehalkı toplam enerji harcamalarının sınıflandırılması için yüksek performanslı bir topluluk öğrenme modelinin oluşturulması amaçlanmaktadır. Bu amaç doğrultusunda, Türkiye İstatistik Kurumu (TÜİK)'in yayınladığı Hanehalkı Bütçe Araştırması anketi 2019 veri seti kullanılarak, 11.521 hanenin hanehalkı tüketim verileri incelenmiştir. Hanehalkı toplam enerji harcamaları ile doğrudan ilişkili değişkenlere ek olarak, literatür çerçevesinde ve uzman görüşü rehberliğinde yeni değişkenler oluşturulmuştur. Hazırlanan veri, açık kaynak kodlu RapidMiner yazılım programı ile veri ön işleme, öznitellik seçimi, modelleme, tahmin ve performans değerlendirme aşamalarından geçirilmiştir. Makine öğrenmesi ve topluluk öğrenme yöntemlerinin sınıflandırma performansları karşılaştırılmıştır. Çalışmada, K-En Yakın Komşu, Karar ağacı, Naive Bayes, Derin Sinir Ağları, Random Forest, Gradyan Artırmalı Ağaç sınıflandırıcılarının yanında bagging (torbalama), boosting (artırma), voting (oylama) ve stacking (istifleme) topluluk öğrenme yöntemleri kullanılmıştır. Hanehalkı toplam enerji harcamalarının tahmin edilmesinde, en yüksek sınıflama performansını K-En Yakın Komşu, Karar ağacı, Naive Bayes, Derin Sinir Ağları, Random Forest, Gradyan Artırmalı Ağaç sınıflandırıcılarının birleştirilmesinden oluşan ALL model sağlamıştır. Stacking topluluk öğrenme yöntemi ALL modelde ve bagging topluluk öğrenme yöntemi Derin Sinir Ağları sınıflandırıcısında, topluluk öğrenme yöntemleri arasında en yüksek performansı elde etmiştir. Stacking ve bagging topluluk öğrenme yönteminin her ikisinin de doğruluk değeri 0.984, kappa değeri 0.979, duyarlılık ağırlıklı ortalama değeri 0.984 ve kesinlik ağırlıklı ortalama değeri 0.984 olarak elde edilmiştir. Sonuçlar; topluluk öğrenme yöntemlerinin, hanehalkı toplam enerji harcamalarını tahmin etmek için bireysel makine öğrenmesi yöntemlerini önemli ölçüde iyileştirebildiğini göstermektedir.
Özet (Çeviri)
The increase in household energy consumption results in an increase in global energy demand and consumption. Understanding household energy consumption behaviors will help increase energy efficiency. Studies investigating the suitability of classifying household energy expenditures with ensemble learning methods are insufficient. In this study, it is aimed to create a high-performance ensemble learning model for the classification of total household energy expenditure. For this purpose, the household consumption data of 11,521 households were examined by using the Household Budget Survey 2019 data set published by the Turkish Statistical Institute (TUIK). In addition to the variables directly related to household energy expenditures, new variables were created within the framework of the literature and under the guidance of expert opinion. The prepared data was passed through data preprocessing, feature selection, modeling, prediction and performance evaluation stages with the open source RapidMiner software program. Classification performances of machine learning and ensemble learning methods were compared. In the study, besides K-Nearest Neighbor, Naive Bayes, Deep Neural Networks, Random Forest, Gradient Boosted Trees classifiers, bagging, boosting, voting and stacking ensemble learning methods are used. In the prediction of household total energy expenditure, the ALL model consisting of combining K-Nearest Neighbor, Decision Tree, Naive Bayes, Deep Neural Networks, Random Forest, Gradient Boosted Trees classifiers provided the highest classification performance. Stacking ensemble learning method achieved the highest performance in ALL model and bagging ensemble learning method in Deep Neural Networks classifier among ensemble learning methods. The accuracy value of both stacking and bagging ensemble learning methods was 0.984, kappa value was 0.979, W_M recall value was 0.984 and W_M precision value was 0.984. The results show that ensemble learning methods can significantly enhance individual machine learning methods for predict household total energy expenditures.
Benzer Tezler
- Avrupa Topluluğu'nun bürokratik yapısı
Başlık çevirisi yok
GÜNİZ ODYAKMAZ
Yüksek Lisans
Türkçe
1989
Uluslararası İlişkilerİstanbul ÜniversitesiUluslararası İlişkiler Ana Bilim Dalı
PROF. DR. BENER KARAKARTAL
- Konut gerçekleştirme sistemlerinde kullanıcı katkısının etkinliğini arttırıcı öneriler ve yardımlı kendi evini yapımda örneklenmesi
Suggessions to increase efficiency of user involvement in housing realization systems and sampling on aided self-help
ZİYA OK
- Doğu Karadeniz konut mimarisinde süsleme üzerine bir inceleme
Başlık çevirisi yok
SUAT İSKENDER
Yüksek Lisans
Türkçe
1987
MimarlıkKaradeniz Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. KUTSAL ÖZTÜRK