Geri Dön

Resampling based regression approach for what-if analysis

What-if analizi için yeniden örneklemeli regresyon yaklaşımı

  1. Tez No: 814864
  2. Yazar: ALİ ALICI
  3. Danışmanlar: DOÇ. DR. TEVFİK AYTEKİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 52

Özet

Regresyon ve sınıflandırma modellerinin beklenilen performansı göstermesini engelleyen en yaygın problemlerden biri değişkenler arası güçlü korelasyon durumu yani çoklu bağlantı problemidir. Bu durum ortaya çıktığında, her bir değişkenin bağımlı değişken üzerindeki bireysel etkisini belirlemek zor olabilmektedir. Çoklu bağlantı varsa, modelden bir veya daha fazla ilişkili değişkenin kaldırılması veya bunların makine öğrenmesi modellerinden tutarlı sonuçlar almayı sağlamak için tek bir bileşik değişkene birleştirilmesi sıklıkla başvurulan yöntemlerdendir. Ancak, makine öğrenmesi modellerini gerçek yaşam problemlerine uygularken, tüm değişkenleri bir arada tutmak ve hedef üzerindeki bireysel etkilerini gözlemlemek bazen model performansından daha da önemli olabilmektedir. Bu ihtiyaç özellikle, birbirine bağlı süreçler ile ilerlyen iş modellerinde ortaya çıkmaktadır. Bu tip iş modellerinde süreçlerin birbiri ardına olması sebebiyle, her bir sürecin temsil ettiği değişken bir diğeriyle kuvvetli korelasyon içerir. Bu çalışmada; bu tip iş modelleri için, tüm bağımlı değişkenleri model içerisinde tutarak hedefle olan ilişkilerini açıklamaya çalışan yeni bir yaklaşım üzerinde durulacaktır. Bu yöntemin amacı çoklu bağlantı problemini çözmek değil, sadece bu problemin ortaya çıktığı durumlarda hedef değişkenle bağımlı değişkenlerin arasındaki ilişkiyi daha doğru bir biçimde yansıtmaktır. Önerilen yaklaşım, herhangi bir bağımsız değişkende belirli bir değişiklik olduğunda hem bağımlı hedef değişkeninde hem de diğer bağımsız değişkenlerde ne olacağını göstermeye çalışmaktadır. Bu yönüyle, ana hedefi makine öğrenmesi modellerinin girdi ve çıktı değişkenleri arasındaki ilişkiyi daha şeffaf ve yorumlanabilir bir şekilde açıklamak olan“açıklanabilir makine öğrenmesi”alanına da dokunmaktadır.

Özet (Çeviri)

Regression and classification are two types of supervised learning tasks in machine learning. Though their target variable types are different their common objective is to find out the relationship between input and output variables. One of the most frequent problems that prevents regression and classification models from performing as expected is multicollinearity. If multicollinearity is present, it can be addressed by removing one or more of the correlated variables from the model or by combining them into a single composite variable to ensure getting consistent results from machine learning models. In practical applications of machine learning, particularly in funnel-based business models, it's often more crucial to monitor the unique impact of each variable on the target than to prioritize model performance. In this study we are trying to explore a solution to that type of problem in which we have to keep all dependent variables and explain their relationship with the target. While this method isn't a replacement for techniques like PCA or dimension reduction that handle multicollinearity, it mainly aids in understanding the relationship between dependent and independent variables in multicollinearity scenarios. Basically it will try to show what will happen on both target and other input variables while a certain change happens in any input variable. From that aspect it will also touch the field of“interpretable machine learning”of which the main objective is explaining the relationship between input and output variables of a machine learning model in a more transparent and interpretable way.

Benzer Tezler

  1. Using machine learning techniques to enhance teaching and performance prediction of students with autism spectrum disorders

    Yapay öğrenme yöntemleri ile otizm spektrum bozukluğu olan öğrencilerin öğretiminin ve öğretim performansı tahmininin iyileştirilmesi

    AKRAM M.M. RADWAN

    Doktora

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  2. Dengesiz veri kümeleri için yenilikçi bir hibrit yaklaşım: IQCM metodolojisi ve karşılaştırmalı performans analizi

    An innovative hybrid approach for imbalanced datasets: IQCM methodology and comparative performance analysis

    MUSTAFA YAVAŞ

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDoğuş Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYSUN GÜRAN

  3. Bulanık regresyon fonksiyonları yöntemi ile konut kredisi riski modellemesi

    Home credit risk modelling with the fuzzy regression functions method

    ELİF HANDE EDİNSEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    BankacılıkAnkara Üniversitesi

    Gayrimenkul Geliştirme ve Yönetimi Ana Bilim Dalı

    DOÇ. DR. FURKAN BAŞER

  4. Parametrik olmayan regresyon analizinde bootstrap yöntemi

    In non-parametric regression analysis bootstrap method

    NİLÜFER BETÜL AKMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    EkonometriSivas Cumhuriyet Üniversitesi

    Ekonometri Ana Bilim Dalı

    DOÇ. DR. NECATİ ALP ERİLLİ

  5. İki aşamalı bootstrap veri zarflama analizi ile TIMSS verileri kullanılarak eğitim sisteminde etkinliklerin değerlendirilmesi

    Evaluation of efficiencies in the education system using TIMSS data with two-stage bootstrap data envelopment analysis

    FİRDEVS CEVHEROĞLU EREN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Eğitim ve ÖğretimOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SERPİL AYDIN