KaydedilenlerDerginizi ekleyin

Dergiler / 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
Sayfa
107–131
Yayın Tarihi
2016-12-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

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

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bağımlı değişkenin kategorik olduğu durumda, model parametrelerinin tahmininde kullanılan geleneksel yöntem, En Çok Olabilirlik Tahmin Edicisi (EÇOTE)’dir.
📊
Temel Bulgular & Veri: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.
💡
Sonuç & Katkı:Son olarak, yöntemlerin Matlab program kodları ve açıklamaları ayrıntılı bir biçimde verilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

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.

Anahtar kelimeler
🔖

Bu Makaleye Atıf Yap

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

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (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