Normal dağılım için makine öğrenmesi algoritmasına dayalı geliştirilen uyum iyiliği prosedürü
Goodness-of-fit procedure developed based on machine learning algorithm for normal distribution
- Tez No: 847593
- Danışmanlar: PROF. DR. İLHAN USTA
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- 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
- Efficient estimation of Shrinkage parameters in fuzzy Ridge and fuzzy Liu regression models using α-cut-based methods under multicollinearity
Çoklu bağıntı durumunda bulanık Ridge ve bulanık Liu regresyon modellerinde α-kesim tabanlı yöntemler kullanılarak Shrinkage parametrelerinin etkin tahmini
AMMAR HOMAIDA
- 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
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Fraktal-HRP: Portföy optimizasyonunda hibrit makine öğrenmesi önerisi
Fraktal-HRP: hybrid machine learning proposal in portfolio optimization
MELİKE YAVUZ
- Geometric reinforcement learning for robotic manipulation
Robotik manipulasyon için geometrik takviyeli öğrenme
NASEEM ALHOUSANI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE
DR. ÖĞR. ÜYESİ FARES J. ABU-DAKKA
- 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
2021
İstatistikOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FULYA GÖKALP YAVUZ
PROF. DR. MERAL EBEGİL
