Geri Dön

Makine öğrenmesi yaklaşımlarından random forest regressor (RF) ve decision tree regressor (DT) modellerinin akıllı telefon fiyatlarında karşılaştırmalı analizi

Comparative analysis of random forest regressor (RF) and decision tree regressor (DT) models from machine learning approaches on smartphone prices

  1. Tez No: 900831
  2. Yazar: RABİA KÜTÜK
  3. Danışmanlar: PROF. DR. BURHAN PEKTAŞ
  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: 2024
  8. Dil: Türkçe
  9. Üniversite: Üsküdar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 47

Özet

Bu tez, TrendyolSmartPhone veri kümesine odaklanarak, makine öğrenmesi metodolojileri yoluyla cep telefonu fiyat tahmininin kapsamlı bir incelemesini sunmaktadır. Çalışmada veri kümesine makine öğrenimi algoritmalarından Rastgele Orman (RF) ve Karar Ağaçları (DT) modelleri ayrı ayrı kullanılarak sonuçları karşılaştırılmıştır. Hedeflenen temizleme, homojenleştirme ve kategorik değişkenlerin sayısallaştırılması dahil olmak üzere kapsamlı veri ön işlemesi, fiyat tahmini için Random Forest Regressor and Decision Tree Regressor modellerinin başarılı bir şekilde uygulanmasına zemin hazırlamaktadır. Ekran boyutları ve işletim sistemleri gibi temel özelliklerin görselleştirilmesi, bunların cep telefonu fiyatları üzerindeki etkilerine ilişkin ayrıntılı bilgiler sunmaktadır. Tez, cep telefonu fiyat tahminine ilişkin literatüre katkıda bulunarak ve sürekli iyileştirme ihtiyacını vurgulayarak sonuçlanmaktadır. Öneriler arasında daha büyük veri kümelerinin araştırılması, daha kapsamlı hiperparametre ayarı, çeşitli makine öğrenmesi ile derin öğrenme mimarilerinin araştırılması ve ticari ve endüstriyel bağlamlarda pratik uygulamalar yer almıştır. Bu araştırma, cep telefonu fiyatlandırma stratejileri ve karar verme süreçleri alanını ilerletmeyi amaçlayan gelecekteki çalışmalar için temel bir çerçeve sunmaktadır. Model performansını artırmak ve karşılaştırmalı analizlerin kapsamını genişletmek için daha büyük ve daha çeşitli veri kümelerinin toplanması zorunluluğuna vurgu yapılmaktadır.

Özet (Çeviri)

This thesis presents a comprehensive examination of smartphone price prediction through machine learning methodologies, focusing on the TrendyolSmartPhone dataset. In the study, the dataset was analyzed using Random Forest (RF) and Decision Tree (DT) models, and their results were compared. Extensive data preprocessing, including targeted cleaning, homogenization and quantification of categorical variables, paves the way for the successful application of Random Forest Regressor and Decision Tree Regressor models for price prediction. Visualization of key features such as screen sizes and operating systems provides detailed insights into their impact on smartphone prices. The thesis concludes by contributing to the literature on smartphone price prediction and emphasizing the need for continuous improvement. Recommendations include exploration of larger datasets, more comprehensive hyperparameter tuning, exploration of various deep learning architectures, and practical applications in commercial and industrial contexts. This research provides a basic framework for future studies aimed at advancing the field of mobile phone pricing strategies and decision-making processes. Emphasis is placed on the need to collect larger and more diverse datasets to improve model performance and expand the scope of comparative analyses.

Benzer Tezler

  1. Development of a new machine learning-based method to detect threats and prevent attacks on the internet of things and simulation with Cooja

    Nesnelerin internetinde tehditleri algılamak ve saldırıları önlemek için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi ve Cooja ile benzetimi

    ALI HAMID AHMED SALEH FAREA

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. KEREM KÜÇÜK

  2. 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

  3. Ai-based classification between healthy and vestibular system impaired individuals using gait parameters

    Sağlıklı ve vestibüler sistem (VS) bozukluğu gösteren ve göstermeyen bireyler arasındaki yürüme parametrelerinin yapay zeka tabanlı sınıflandırılması

    DUA HİŞAM

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    ASSOCIATE PROF. DR. SERHAT İKİZOĞLU

  4. Makine öğrenmesi kullanılarak pulmoner tromboemboli riski olan hastaların belirlenmesi

    Determination of patients with pulmonary thromboembolism risk using machine learning

    SENEM KOCA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSağlık Bilimleri Üniversitesi

    Acil Tıp Ana Bilim Dalı

    DOÇ. DR. AFŞİN EMRE KAYIPMAZ

  5. Makine öğrenmesi yöntemleriyle anormal içme suyu tüketimlerinin tespit edilmesi ve tahmin modellerinin geliştirilmesi

    Detecting abnormal drinking water consumptions and developing forecast models by machine learning methods

    İSMAİL GÜNEY

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İHSAN HAKAN SELVİ