Rastgele Orman ve Karar Ağacı yöntemlerinin karşılaştırılması: Bisikletli kaza analizi örnek çalışması
Comparison of Random Forest and Decision Tree methods: Study of cyclist accident analysis
- Tez No: 978872
- Danışmanlar: DR. ÖĞR. ÜYESİ NURTEN AKGÜN
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: İnşaat Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kaza analizlerinde geleneksel regresyon yerine makine öğrenimi algoritmaları tercih edilmeye başlanmıştır. Makine öğrenimi algoritmaları bir öğrenme sürecine sahiptir bunun yanında sınıflandırma ve tahmin modelleri kurabilir, büyük ve küçük veri setleriyle çalışabilirler. Bu çalışmada dönel kavşaklarda meydana gelmiş bisikletli kazaları analiz edilmiştir. Veri setindeki bisikletli yaralanma derecesini bağımsız değişkenlere göre sınıflandırmak için makine öğrenmesi yöntemlerinden ikisi olan Karar Ağacı ve Rastgele Orman algoritmaları kullanılmıştır. Literatürde yapılan çalışmalar sınıflandırma açısından Karar Ağacı ve Rastgele Orman algoritmalarının yüksek doğruluk oranı verdiğini göstermektedir. Çalışmada Karar Ağacı ve Rastgele Orman algoritmalarının güçlü bir sınıflandırıcı olmasından yararlanarak hangi bağımsız değişkenin yaralanma derecesi üzerinde ne kadar etkisi olduğunu göstermek amaçlanmıştır. Ayrıca ortaya çıkan sonuçlarda iki makine öğrenmesi yönteminin karşılaştırması da yapılmıştır. Motorlu araçlar açısından kaza yaralanma derecesini büyük ölçüde azaltan dönel kavşaklar aynı etkiyi bisikletliler için göstermemektedir. Bisiklet sürücülerinin dönel kavşaklarda dezavantajlı durumda bulunmasından dolayı bisikletli kazaları analiz edilmiştir. Analizi gerçekleştirmek için 439 adet örnek kullanılmıştır. Veri seti İngiltere'nin Newcastle kentinde farklı dönel kavşaklarda meydana gelen bisikletli-motorlu kaza bilgilerini içermektedir. Veride yaralanma derecesi hafif ve ağır olmak üzere 2 kategoriye ayrılmıştır. Analizde yaralanma derecesi bağımlı değişkendir; Bağımsız değişkenler ise dönel kavşak geometrik elemanları, sürücülere ait sosyodemografik bilgiler, sürücü davranışı, hız limiti, hava koşullarıdır. Veri setinde bağımlı değişken olan yaralanma derecesi kategoriktir ve sınıflandırma işlemi yapılmıştır. Analizlerin gerçekleştirilmesi için R Programı tercih edilmiştir. Karar Ağacı ve Rastgele Orman birer denetimli öğrenme algoritmasıdır. Karar Ağacı ve Rastgele Orman algoritmalarında eğitim ve test için veriler %70-%30 şeklinde ayrılmıştır. Sınıflandırma doğruluğunu ölçmek için karışıklık matrisi kullanılmıştır. Karışıklık matrisinde, kullanılan yöntemin doğru ve yanlış tahmin ettiği değerler sayısal olarak ortaya konulur. Kullanılan algoritmanın doğruluk oranının yüksek olması iyi bir sınıflandırma algoritması seçimi için önemlidir. Analiz sonucunda Karar Ağacı %86,15 ve Rastgele Orman %83,33 sınıflandırma doğruluğu ortaya koymuştur. Literatürde genellikle Rastgele Ormanın Karar Ağacına göre daha yüksek doğruluk oranı verdiği görülmüştür. Bu çalışmada Rastgele Ormanın daha düşük sonuç vermesinin sebebinin veri seti kaynaklı olabileceği düşünülmektedir ve her seferinde seçilen %70'lik eğitim verisindeki değişim doğruluk oranını etkileyebilir. Kaza analizlerinde net bir makine öğrenimi algoritması önerilmesi doğru değildir. İleride yapılacak kaza analizi çalışmalarında farklı veri setleri üzerinde farklı makine öğrenimi algoritmaları da denenmelidir.
Özet (Çeviri)
Machine learning algorithms have become increasingly popular in accident analysis, replacing traditional regression. Machine learning algorithms have a learning process and can build classification and prediction models, and can work with both large and small datasets. This study analyzed cyclist accidents that occurred at roundabouts. Two machine learning methods, Decision Tree and Random Forest algorithms, were used to classify cyclist injury severity in the dataset based on independent variables. Literature studies indicate that Decision Tree and Random Forest algorithms provide high accuracy in classification. This study aimed to demonstrate the impact of each independent variable on the injury severity by leveraging the robustness of Decision Tree and Random Forest algorithms. The results also compared the two machine learning methods. Roundabouts, which significantly reduce the injury severity for motor vehicles, do not have the same effect on cyclists. Because cyclists are disadvantaged at roundabouts, cyclist accidents were analyzed. 439 samples were used to perform the analysis. The dataset contains information on cyclist-motorist accidents occurring at various roundabouts in Newcastle, England. The data is divided into two categories: mild and severe. In the analysis, the degree of injury is the dependent variable; the independent variables are the roundabout geometric elements, sociodemographic information of the drivers, driver behavior, speed limit, and weather conditions. The dependent variable in the dataset, degree of injury, is categorical, and classification is performed. R software was used to perform the analyses. Decision Tree and Random Forest are both supervised learning algorithms. Data are split into 70% and 30% for training and testing in Decision Tree and Random Forest algorithms. A confusion matrix is used to measure classification accuracy. The confusion matrix numerically displays the values correctly and incorrectly predicted by the method used. A high algorithmic accuracy is crucial for selecting a good classification algorithm. The analysis revealed a classification accuracy of 86.15% for Decision Tree and 83.33% for Random Forest. In the literature, it is generally observed that Random Forest yields higher accuracy than Decision Tree. The lower results obtained with Random Forest in this study are thought to be due to the dataset, and the variation in the selected 70% training data each time may affect the accuracy rate. It is not appropriate to recommend a single machine learning algorithm for accident analysis. Future accident analysis studies should also test different machine learning algorithms on different datasets.
Benzer Tezler
- Ağaç temelli makine öğrenmesi yöntemlerinin karşılaştırılması ve hastalık tanısı için uygulanması
Comparison of tree-based machine learning methods and its application to diagnosis
YUNUS EMRE CEYLAN
Yüksek Lisans
Türkçe
2021
İstatistikMuğla Sıtkı Koçman Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. ERALP DOĞU
- İç denetim'de dijital dönüşüm
Digital transformation in internal audit
AYTEK DEMİRDELEN
Doktora
Türkçe
2024
İşletmeİstanbul Medipol Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. PELİN VARDARLIER
- Türkiye'de yabancılara yapılan konut satışının tahmininde makine öğrenmesi yöntemleri performanslarının incelenmesi
An investigation of the performance of machine learning methods in the prediction of home sales to foreigners in turkey
CANSU TOSUN GAVCAR
- Finansal bilgi manipülasyonu tahmini: İstatistiksel yöntemler ile makine öğrenmesi algoritmalarının karşılaştırılması
Financial information manipulation prediction: Comparison of statistical methods and machine learning algorithms
ELİF KÖMÜRCÜ
Yüksek Lisans
Türkçe
2024
İşletmeTobb Ekonomi ve Teknoloji Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. RAMAZAN AKTAŞ
- Borsa endeks hareket yönlerinin makine öğrenmesi yöntemleriyle tahmini: Gelişmiş ve gelişmekte olan ülke borsaları üzerine bir uygulama
Prediction of stock market index movements using machine learning methods: An application on the stock markets of developed and developing countries
NAZİF AYYILDIZ
Doktora
Türkçe
2023
İşletmeNiğde Ömer Halisdemir Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. ÖMER İSKENDEROĞLU