Makine öğrenmesi yöntemlerinde hiper-parametre seçimi
Hyper-parameter selection in machine learning methods
- Tez No: 883192
- Danışmanlar: DR. ÖĞR. ÜYESİ SİNEM BOZKURT KESER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Hiper-parametreler, makine öğrenmesi modellerinin performansı üzerinde önemli bir etkiye sahip olmaları nedeniyle makine öğrenimi algoritmaları için kritik bir öneme sahiptirler. Uygun hiper-parametrelerin seçilmemesi, makine öğrenmesi modellerinin düşük performans göstermesine sebep olabilir. Bu tez kapsamında, farklı hiper-parametre optimizasyon (HPO, Hyper-parameter Optimization) yöntemlerinin, regresyon modellerinin performansına etkisi karşılaştırmalı analizler ile verilmektedir. Tez kapsamında önerilen yöntemlerin değerlendirilmesi için binalardaki enerji verimliliği problemi ele alınmıştır. Çalışmada, bu alanda literatürde erişime açık olan 768 satır ve 8 özellik içeren bir veri kümesi kullanıldı. Çalışma, regresyon modellerinin, varsayılan parametre değerleri kullanılarak eğitilmesiyle başladı. Daha sonra, bu modellerin performansları arasından ortalama hata karesi (MSE, Mean Squared Error) değerine göre en iyi sonuç veren modeller belirlendi. Belirlenen modeller, daha fazla iyileştirme için hiper-parametre optimizasyonuna tabi tutuldu. Bunun sonucunda, kategori artırma (CatBoost, Category Boosting) ve Bayes- Rastgele Orman (BO-RF, Bayesian Optimization – Random Forest) algoritmalarının, hiper- parametre değerlerinin optimizasyonu ile 0,997 R-Kare ve 0,23 MSE skorları, bu çalışmadaki en yüksek başarı sonucu olarak elde edildi. Bu çalışma, hiper-parametre optimizasyon yöntemlerinin, makine öğrenmesi modelleri üzerindeki etkisini göstermek için binalardaki enerji verimliliği problemini ele almaktadır. Bu bağlamda, hiper-parametre optimizasyonunun, makine öğrenmesi modellerinin başarısını artırmadaki kritik rolü vurgulanmaktadır.
Özet (Çeviri)
Hyper-parameters are critical for machine learning algorithms as they have a significant impact on the performance of machine learning models. Failure to choose appropriate hyper-parameters can cause machine learning models to underperform. Within the scope of this thesis, the effects of different hyper-parameter optimization (HPO, Hyper- parameter Optimization) methods on the performance of regression models are given through comparative analysis. In order to evaluate the proposed methods within the scope of the thesis, the energy efficiency problem in buildings is discussed. In the study, a dataset containing 768 lines and 8 features, which is available in the literature in this field, was used. The work began by training regression models using default parameter values. Then, among the performances of these models, the models that gave the best results were determined according to the mean squared error (MSE) value. The identified models were subjected to hyper-parameter optimization for further improvement. As a result, category boosting (CatBoost, Category Boosting) and Bayesian Optimization (Random Forest) algorithms achieved 0.997 R-Square and 0.23 MSE scores, the highest in this study, with the optimization of hyper-parameter values. was achieved as a result of success. This study addresses the energy efficiency problem in buildings to demonstrate the impact of hyper- parameter optimization methods on machine learning models. In this context, the critical role of hyper-parameter optimization in increasing the success of machine learning models is emphasized.
Benzer Tezler
- Karaciğer hastalığı teşhisinde makine öğrenmesi yöntemlerinin başarılarının ölçülmesi
Measuring the success of machine learning methods in diagnosing liver disease
EMRE SAYGIN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET BAYKARA
- Antenna design for breast cancer detection and machine learning approach for birth weight prediction
Meme kanseri tespiti için anten tasarımı ve doğum ağırlığı tahmini için makine öğrenmesi yaklaşımı
HALUK KIRKGÖZ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR KURT
- Yelken balığı eniyileme yaklaşımı ile güçlendirilmiş karar ağacı algoritması kullanarak kalp rahatsızlıklarının teşhisi
Using sailfish optimizer with enhanced decision tree algorithm to diagnose heart disease
MURAT ONUR YILDIRIM
Yüksek Lisans
Türkçe
2021
Endüstri ve Endüstri MühendisliğiSüleyman Demirel ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDAL AYDEMİR
- Makine öğrenmesi yöntemleri ile kanser hastalığı teşhisi
Cancer disease diagnosis with machine learning methods
EBRU AYDINDAĞ BAYRAK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaMühendislik Bilimleri Ana Bilim Dalı
PROF. DR. PINAR KIRCI
DR. ÖĞR. ÜYESİ TOLGA ENSARİ
- Predicting tennis match outcome: A machine learning approach using the SRP-CRİSP-DM framework
Tenis maç sonucu tahminleme: SRP-CRİSP-DM çerçevesini kullanan bir makine öğrenmesi yaklaşımı
TOYAN ÜNAL
Yüksek Lisans
İngilizce
2023
SporOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. SEVGİ ÖZKAN YILDIRIM