SavedAdd your journal

Journals / İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi / 2016 / Cilt: 15 - Sayı: 30

İki Düzeyli Olasılık Modellerinde Klasik Meta Sezgisel Optimizasyon Tekniklerinin Performansı Üzerine Bir Çalışma

Özge AKKUŞ
Emre DEMİR
Pages
107–131
Publication Date
2016-12-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Son olarak, yöntemlerin Matlab program kodları ve açıklamaları ayrıntılı bir biçimde verilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bağımlı değişkenin kategorik olduğu durumda, model parametrelerinin tahmininde kullanılan geleneksel yöntem, En Çok Olabilirlik Tahmin Edicisi (EÇOTE)’dir.
📊
Key Findings & Data:Bu çalışmada, iki düzeyli bağımlı değişken modellerinde klasik optimizasyon yöntemlerinin uygulanabilmesi için gerekli olan varsayımların sağlandığı durumda optimal parametre tahminlerine ulaşabilmek için NR algoritmasına alternatif olan Genetik Algoritma (GA) yaklaşımının etkinliği araştırılmıştır.
💡
Conclusion & Impact:Son olarak, yöntemlerin Matlab program kodları ve açıklamaları ayrıntılı bir biçimde verilmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Özet

Bağımlı değişkenin kategorik olduğu durumda, model parametrelerinin tahmininde kullanılan geleneksel yöntem, En Çok Olabilirlik Tahmin Edicisi (EÇOTE)’dir. Bu yöntemde olabilirlik eşitliklerinin çözümünde, klasik Newton-Raphson (NR) algoritması kullanılmaktadır. Ancak bu algoritma olabilirlik fonksiyonunun diferansiyellenebilir özellikte olduğu durum için uygundur. Bu çalışmada, iki düzeyli bağımlı değişken modellerinde klasik optimizasyon yöntemlerinin uygulanabilmesi için gerekli olan varsayımların sağlandığı durumda optimal parametre tahminlerine ulaşabilmek için NR algoritmasına alternatif olan Genetik Algoritma (GA) yaklaşımının etkinliği araştırılmıştır. Bu amaçla, ilk olarak Hitit Üniversitesi Hastanesi Cildiye Bölümü’nden alınan Alopesia hastalığı verisi kullanılmıştır. Gerçek veri uygulamasına ek olarak yapay bir veri kümesi üzerinden elde edilen sonuçlar da sunulmuştur. Son olarak, yöntemlerin Matlab program kodları ve açıklamaları ayrıntılı bir biçimde verilmiştir.

Keywords
🔖

Cite This Article

AKKUŞ, Ö., DEMİR, E. (2016). İki Düzeyli Olasılık Modellerinde Klasik Meta Sezgisel Optimizasyon Tekniklerinin Performansı Üzerine Bir Çalışma. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, Cilt: 15 - Sayı: 30, 107–131. https://ajindex.com/articles/123916

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Agresti, A., (2002). Categorical Data Analysis. 2th edition, New Jersey, John Wiley&Sons Inc. Aguilar-Rivera, R., Valenzuela-Rendón, M., Rodríguez-Ortiz, J.J., (2015), “Genetic Algorithms and Darwinian Approaches in Financial Applications: A Survey”, Expert Systems with Applications, 42(21), 7684-7697.
  2. Altunkaynak, B., Esin, A., (2004), “Doğrusal Olmayan Regresyonda Parametre Tahmini İçin Genetik Algoritma Yöntemi”. Gazi Üniversitesi Fen Bilimleri Dergisi, 17(2), 43-51.
  3. Babaoğlu, İ., Findik, O., Ülker, E., (2010), “A Comparison of Feature Selection Models Utilizing Binary Particle Swarm Optimization and Genetic Algorithm in Determining Coronary Artery Disease Using Support Vector Machine”, Expert Systems with Applications, 37(4), 3177-3183.
  4. Goldberg, D.E., (1989).
  5. Genetic Algorithms in Search, Optimization and Machine Learning. Addison Wesley, Reading, MA. Goldberg D.E., Deb, K., (1991), A Comparative Analysis of Selection Schemes Used in Genetic Algorithms, Foundations of Genetic Algorithms., San Francisco, CA: Morgan Kaufmann. Gordini, N., (2014), “A Genetic Algorithm Approach for Smes Bankruptcy Prediction: Empirical Evidence From Italy”, Expert Systems with Applications, 41(14), 6433-6445.
  6. Hadi, H.S., J.L. Gonzalez-Andujar, (2009), “Comparison of Fitting Weed Seedling Emergence Models With Nonlinear Regression and Genetic Algorithm”, Computers and Electronics in Agriculture, 65(1), 19-25.
  7. Hadji, S., Gaubert, J.P., Krim, F., (2015). “Theoretical and Experimental Analysis of Genetic Algorithms Based MPPT for PV Systems”, Energy Procedia, 74, 772-787.
  8. Holland, J.H., (1975). Adaptation in Natural and Artificial Systems. USA, University of Michigan Press.
  9. Holland, J.H., (1992). Adaptation in Natural and Artificial Systems. 2th edition, Cambridge, London., The MIT Press.
  10. Karr, C.L., Freeman, M. L., (1999). Industrial Applications of Genetic Algorithms., USA, CRC Press.
  11. Koh, Y., Yap, C.W., Li, S.C., (2008). “A Quantitative Approach of Using Genetic Algorithm in Designing A Probability Scoring System of an Adverse Drug Reaction Assessment System”, International Journal of Medical Informatics, 77(6), 421-430.
  12. Johnson, P., Graham, P., Wilson, P., Macaulay, L., Maruff, P., Savage, G., Ellis, K., Martins, R., Rowe, C., Masters, C., Ames, D., Zhang, P., (2013), “Genetic Algorithm with Logistic Regression for Alzheimer's Disease Diagnosis and Prognosis”, Alzheimer's & Dementia, 9(4), P455-P456. Lee, K.H., Kim, K.W., (2015), “Performance Comparison of Particle Swarm