Geri Dön

Ağırlık tahmini için bazı farklı makine öğrenmesi algoritmalarının karşılaştırılması

Comparison of different machine learning algorithms for weight prediction

PDF İndir

  1. Tez No: 907736
  2. Yazar: AHMET SİNAN GÜLER
  3. Danışmanlar: DOÇ. DR. YALÇIN TAHTALI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ziraat, İstatistik, Agriculture, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Tokat Gaziosmanpaşa Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Zootekni Ana Bilim Dalı
  12. Bilim Dalı: Biyometri ve Genetik Bilim Dalı
  13. Sayfa Sayısı: 81

Özet

Bu çalışmada, Romanov kuzularında ağırlık tahmini için Random Forest (RF), Extreme Gradient Boost (XGBoost), LightGBM, Gradient Boosting Machine (GBM) ve Support Vector Machine (SVM) makine öğrenmesi algoritmalarının tahminleme performanslarının karşılaştırılması amaçlanmıştır. Bu amaçla Tokat ili Niksar ilçesinde yetiştirilen, 285 Romanov koyunundan doğan 50 Romanov kuzusunun büyüme dönemine ilişkin Cidago yüksekliği, Sağrı yüksekliği, Vücut uzunluğu, Göğüs derinliği, Göğüs çevresi, Kürekler arası göğüs genişliği ve canlı ağırlıkları kullanılmıştır. Yöntemlerin tahmin performanslarını karşılaştırmak için , Hata Kareler Ortalaması (HKO), Hata Kareler ortalamasının karekökü (HKOK) ve Belirtme Katsayısı (R²) değerleri kullanılmıştır. Çalışma sonucunda Romanov kuzularının canlı ağırlık tahmininde Gradient Boosting Machine (GBM) algoritması, en düşük HKO (0.72801), HKOK (0.99534) ve en yüksek R² (0.98022) değerleri ile en iyi performansa ve doğruluğa sahip olduğu belirlenmiştir. Ayrıca, Random Forest (RF), Extreme Gradient Boost (XGBoost), LightGBM ve Support Vector Machine (SVM) algoritmaları da yüksek performans göstermiş ve canlı ağırlık tahmininde etkili sonuçlar sunmuştur.

Özet (Çeviri)

In this study, it was aimed to compare the prediction performances of Random Forest (RF), Extreme Gradient Boost (XGBoost), LightGBM, Gradient Boosting Machine (GBM) and Support Vector Machine (SVM) machine learning algorithms for weight estimation in Romanov lambs. For this purpose, Cidago height, Rump height, Body length, Chest depth, Chest depth, Chest girth, Chest girth between the shoulder blades, Chest width between the shoulder blades and live weights of 50 Romanov lambs born from 285 Romanov ewes reared in Niksar district of Tokat province were used. Mean Square Error (MSE), Root Mean Squared Error (RMSE) and coefficient of determination (R²) values were used to compare the prediction performance of the methods. As a result of the study, it was determined that Gradient Boosting Machine (GBM) algorithm had the best performance and accuracy with the lowest MSE (0.72801), RMSE (0.99534) and the highest R² (0.98022) values in the live weight estimation of Romanov lambs. Additionally, Random Forest (RF), Extreme Gradient Boost (XGBoost), LightGBM, and Support Vector Machine (SVM) algorithms also demonstrated high performance and provided effective results in predicting live weight.

Benzer Tezler

  1. Tez No

    827860

    Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini

    Forecasting the spread of covid-19 using deep learning and big data analytics methods

    CYLAS KIGANDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. MUHAMMET ALİ AKCAYOL

  2. Tez No

    812314

    A comparative study of nonlinear model predictive control and reinforcement learning for path tracking

    Yol izleme için doğrusal olmayan model öngörülü kontrol ve pekiştirmeli öğrenmenin karşılaştırmalı çalışması

    GAMZE TÜRKMEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. OVSANNA SETA ESTRADA

  3. Tez No

    846535

    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

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ONUR KURT

  4. Tez No

    711174

    Fuzzy clustering based ensemble learning approach: Applications in digital advertising

    Bulanık kümeleme tabanlı topluluk öğrenmesi yaklaşımı: Dijital reklam alanında uygulamalar

    AHMET TEZCAN TEKİN

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ

    PROF. DR. TOLGA KAYA

  5. Tez No

    694216

    Fully supervised and semi-supervised semantic segmentation of cardiac mr using deep learning

    Tam denetımlı ve yarı denetımlı semantık segmentasyon derın öğrenmeyı kullanan kardıyak mr'nın

    MAHYAR BOLHASSANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    ASST. ASSOC. DR. İLKAY ÖKSÜZ

Geri Dön