Geri Dön

Normal dağılım için makine öğrenmesi algoritmasına dayalı geliştirilen uyum iyiliği prosedürü

Goodness-of-fit procedure developed based on machine learning algorithm for normal distribution

PDF İndir

  1. Tez No: 847593
  2. Yazar: ZAHIR HAJIZADA
  3. Danışmanlar: PROF. DR. İLHAN USTA
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Eskişehir Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 92

Özet

İstatistiksel analizlerin doğruluğu ve güvenilirliği açısından normallik varsayımının sağlanıp sağlanmadığının kontrol edilmesi oldukça önemlidir. İstatistiksel analizlerde kullanılan bir veri setinin normal dağılıma sahip olup olmadığı temel olarak iki farklı yöntemle belirlenir. Bunlar, grafiksel yöntemler ve normal dağılım için uyum iyiliği testleridir. Ancak bu yöntemler tek başına kullanıldığı zaman tüm durumlar için normalliği belirlemek konusunda birbiriyle çelişen sonuçlar verebilmektedir. Bu çalışmada literatürde var olan yöntemlere alternatif olarak makine öğrenmesi algoritmasına dayalı bir veri setinin normal dağılıma uygun olup olmadığını belirleyen bir prosedür geliştirilmiştir. Makine öğrenmesi algoritmasına dayalı olarak geliştirilen bu prosedürün I. Tip hata oranı ve gücü literatürde kabul görmüş ve yaygın olarak kullanılan normal dağılım için uyum iyiliği testleri ile simetrik ve asimetrik dağılımlar altında kapsamlı bir simülasyon çalışmasıyla karşılaştırılmıştır. Ayrıca geliştirilen prosedürün performansı doğruluk, kesinlik, duyarlılık ve F1 skoru kriterlerine göre de incelenmiştir. Yapılan kapsamlı karşılaştırmalar sonucunda, literatüre ilk kez sunulan normal dağılım için makine öğrenmesi algoritmasına dayalı uyum iyiliği prosüdürünün bu çalışmada ele alınan normallik testlerinden hemen hemen tüm durumlar için daha güçlü kararlar verdiği gözlemlenmiştir.

Özet (Çeviri)

It is very important to check the normality assumption for the accuracy and reliability of statistical analyses. Whether a data set used in statistical analysis has a normal distribution is basically determined by two different methods. These are graphical methods and goodness-of-fit tests for normal distribution. However, when these methods are used alone, they may provide conflicting results in determining normality for all cases. In this study, as an alternative to the existing methods in the literature, a procedure based on a machine learning algorithm is developed to determine whether a data set conforms to the normal distribution. The Type I error rate and power of this procedure, which is based on a machine learning algorithm, is compared with the well-accepted and widely used goodness-of-fit tests for the normal distribution under symmetric and asymmetric distributions in a comprehensive simulation study. The performance of the developed procedure was also analyzed in terms of accuracy, precision, sensitivity and F1 score. As a result of extensive comparisons, it is observed that the goodness-of-fit procedure based on the machine learning algorithm for the normal distribution, which is presented for the first time in the literature, outperforms the normality tests considered in this study for almost all cases.

Benzer Tezler

  1. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  2. Tez No

    858141

    Geometric reinforcement learning for robotic manipulation

    Robotik manipulasyon için geometrik takviyeli öğrenme

    NASEEM ALHOUSANI

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE

    DR. ÖĞR. ÜYESİ FARES J. ABU-DAKKA

  3. Tez No

    689484

    Adapting a robust model into hybrid implementations of machine learning algorithms and statistical methods for longitudinal data

    Sağlam bir modelin makina öğrenmesi algoritmalarının ve istatistiksel metotların hibrit uygulamalarına boylamsal veriler için uyarlanması

    İBRAHİM HAKKI ERDURAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FULYA GÖKALP YAVUZ

    PROF. DR. MERAL EBEGİL

  4. Tez No

    666096

    Fault detection on automated beverage dispenser systems by using online feature extraction based neural network models

    Otomatik içecek servis sistemlerinde çevrimiçi öznitelik çıkarıma dayalı nöral ağlar kullanılarak hata tespiti

    AHMET DEMİREL

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Makine Ana Bilim Dalı

    PROF. DR. ŞENİZ ERTUĞRUL

  5. Tez No

    774365

    Power system fault detection based on discrete wavelet transformation with decision tree

    Karar ağacı ile ayrık dalgacık dönüşümüne dayalı güç sistemi arıza tespiti

    MUHAMMAD SULEMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiKocaeli Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞEN BASA ARSOY

Geri Dön