Açıklanabilir random survıval forest modelleri ve bir aktüerya uygulaması
Explainable random survival forest models and an actuarial application
- Tez No: 895418
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA ÇAVUŞ, DOÇ. DR. ÇAĞATAY ÇETİNKAYA
- 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: 109
Özet
İşten ayrılma kurumların karşılaştığı önemli sorunlardan biridir ve yüksek personel devir hızı maddi kayıplara yol açabilir. Bu tez çalışması IBM HR veri seti üzerinde sağkalım analizleri yaparak çalışanların işten ayrılma olasılıklarını tahmin etmeyi ve bu modellerin performansını değerlendirmeyi amaçlamaktadır. Çalışmada, Random Survival Forest (RSF) ve Cox Proportional Hazard (Cox PH) modelleri kullanılmıştır. RSF ve Cox PH modelleri birbirleriyle karşılaştırılarak avantajları incelenmiştir. Ayrıca makine öğrenimi modellerinin kapalı kutu yapısının anlaşılabilirliğini artırmak için açıklanabilirlik yöntemleri üzerinde durulmuştur. Model performansı ölçüm yöntemleri, modelin genel yapısını ortaya koyan global açıklayıcılar ve gözlem tahmini için kullanılan local açıklayıcılar incelenmiş ve sağkalım modellerine teorik olarak uyarlaması gösterilmiştir. Bu yöntemler, modellerin karar süreçlerini ve tahminlerini daha anlaşılır hale getirmiştir. Çalışmanın sonuçları işgücü yönetimi ve işten ayrılma süreçlerinde daha bilinçli ve etkili kararlar alınmasına katkıda bulunmaktadır.
Özet (Çeviri)
Employee turnover is a significant issue faced by organizations, leading to substantial financial losses due to high employee turnover rates. This thesis aims to predict employee attrition probabilities by conducting survival analyses on the IBM HR dataset and evaluating the performance of these models. The study utilizes Random Survival Forest (RSF) and Cox Proportional Hazard (Cox PH) models. The advantages of RSF and Cox PH models are examined by comparing them with each other. Additionally, explainability methods are emphasized to enhance the interpretability of the black-box nature of machine learning models. Performance measurement methods of the models, global explainers that reveal the overall structure of the model, and local explainers used for observation prediction are examined and theoretically adapted to survival models. These methods have made the decision-making processes and predictions of the models more comprehensible. The results of the study contribute to more informed and effective decision-making in workforce management and employee attrition processes.
Benzer Tezler
- Sıçanlarda, Bevacizumab'ın flep yaşayabilirliği üzerine etkisinin araştırılması
The investigation of the effect of Bevacizumab on random-patterned flap viability, in rats
FUAT USLUSOY
Tıpta Uzmanlık
Türkçe
2011
Plastik ve Rekonstrüktif CerrahiSüleyman Demirel ÜniversitesiPlastik ve Rekonstrüktif Cerrahi Ana Bilim Dalı
DOÇ. DR. TURGUT ORTAK
- Ratlarda iskemik deri fleplerinde n-asetilsistein'in etkisi
Effects of n-acetylcysteine on random skin flaps in rats
GÖKHAN GİRAY AKGÜL
Tıpta Uzmanlık
Türkçe
2009
Genel CerrahiSağlık BakanlığıGenel Cerrahi Ana Bilim Dalı
DOÇ. DR. MEHMET ALİ GÜLÇELİK
- Açıklanabilir yapay zekâ yöntemlerine dayalı bilgisayar destekli tahmin modelinin geliştirilmesi: metabolomik teknolojileri üzerine uygulaması
Development of a computer-aided predictive model based on explainable artificial intelligence methods: application on metabolomics technologies
FATMA HİLAL YAĞIN
Doktora
Türkçe
2024
Biyoistatistikİnönü ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
DOÇ. DR. HARİKA GÖZDE GÖZÜKARA BAĞ
DR. ÖĞR. ÜYESİ DİNÇER GÖKSÜLÜK
- Comparative analysis of explanatory methods in explainable artificial intelligence: An assessment of robustness, error, and efficiency
Açıklanabilir Yapay Zeka'da açıklayıcı yöntemlerin karşılaştırmalı analizi: Dayanıklılık, hata ve verimlilik değerlendirmesi
BEYZA AYDOĞAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiYapay Zeka Teknolojileri Ana Bilim Dalı
DOÇ. DR. TEVFİK AYTEKİN
- Ağaç tabanlı makine öğrenmesi yöntemleri ile genomik verilerin sınıflandırılmasına yönelik klinik karar destek sisteminin geliştirilmesi
Development of a clinical decision support system for classification of genomic data with TREE-based machine learning methods
İPEK BALIKÇI ÇİÇEK
Doktora
Türkçe
2023
Biyoistatistikİnönü ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
PROF. DR. SAİM YOLOĞLU