Fonksiyonel Veri Analizinin Karar Ağaçlarında Kullanımı
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Sosyal Bilimler Enstitüsü, Ekonometri Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: BURCU KOCARIK GACAR
Danışman: İstem Keser
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Veri bilimi, bilişim teknolojilerini kullanarak büyük miktardaki ve hacimdeki verileri analiz etme ve bilgi keşfi sürecidir. Büyük miktardaki veriyi tarama, toplama ve depolama kapasitesindeki gelişmeler sayesinde veriler ölçülerek kaydedilebilmektedir. Ayrıca büyük veri setleri fonksiyonel veri formuna dönüştürülebilmektedir. Ham halde bulunan verinin fonksiyonel biçime dönüştürülmesiyle fonksiyonel verilere (eğri, nesne, obje) ulaşılmaktadır. Veri işleme sürecinde veriden bilgi ve ürün üretme hedefine veri madenciliği, makine öğrenmesi ve istatistik alanları yardımcı olmaktadır. Veri madenciliğinde keşifsel amaçlı kullanılan regresyon ve sınıflandırma analizleri, makine öğrenmesi sürecinde eğitim ve test grupları ile doğrulama amacı ile kullanılmaktadır. Çalışmanın amacı dengeli ham ve fonksiyonel verilerin, makine öğrenimi yaklaşımlarından karar ağaçları ile regresyon ve sınıflandırma ağaçları olarak karşılaştırmalı şekilde analizlerini incelemektir. Böylece çalışmada, fonksiyonel ve fonksiyonel olmayan regresyon ve sınıflandırma ağaçları karşılaştırılmaktadır. Ayrıca baz fonksiyon sayıları değiştirilerek elde edilen fonksiyonlar ile karar ağacı modelindeki değişimler incelenmektedir. Bu amaçla Our Word in Data sitesinden edinilen COVID-19 verileri kullanılmıştır. Analiz, Ocak 2020-Aralık 2022 sürecini kapsamaktadır. Fonksiyonel olarak uyum sağlanan ham veriler sırasıyla 5, 10, 15, 20 ve 30 baz fonksiyon için elde edilen fonksiyonel nesneler ile temsil edilmektedir. Böylece vektörel girdiler fonksiyonel girdilere dönüşmekte ve ham veriyi daha az sayıda fonksiyonel gözlemle temsil eden fonksiyonel bir veri seti elde edilmektedir. Karar ağacı analizlerinin fonksiyonel nesneler dikkate alınarak gerçekleştirilmesi bu çalışmanın özgün yanını oluşturmaktadır. Bu çalışmada en yüksek doğru sınıflandırma oranını 10 baz fonksiyon yaklaşımı ile sınıflandırma karar ağacı modeli yakalamıştır. Bu sonuç, makul sayıda bazdan oluşan baz fonksiyon yaklaşımı ile veriye uyumun, ham veriden daha yüksek performansa sahip bir karar ağacı modeli elde edebileceğini göstermektedir. Ayrıca bu sonuç ham verilerle daha karmaşık yapıda bir karar ağacı modellemek yerine fonksiyonel verilerle modellemenin daha kısa sürede daha basit sonuçlar verebileceğini göstermektedir. Bununla birlikte değişken yığını içerisinden en önemli fonksiyonel değişkenlerin sıyrıldığı daha öz bir karar ağacı elde edilebilmektedir. Ayrıca bu çalışmada baz sayısı azaldıkça fonksiyonel verilerle ağaç geliştirme kuralının erken safhalarında saf hale geldiği ve nispeten küçük ve basit ağaçlar üretildiği görülmüştür. Böylece sürekli bir veri yapısı söz konusu olduğunda büyük boyutta bir karar ağacını uygun bir lambda parametresi ve baz sayısı ile fonksiyonel nesnelerle temsil ederek incelemenin daha uygun olabileceği sonucuna ulaşılmaktadır. Çalışmanın sonucunda fonksiyonel veri ile sınıflandırma karar ağacı analizi, fonksiyonel tahminleyicileri analiz eden alternatif bir yaklaşım olarak sunulmaktadır. Standart karar ağaçlarının fonksiyonel veri ile kullanımı eksik ve uç verilerin varlığında sağlam bir yapıda olup güçlü olmasının yanı sıra esnek ve kullanımı kolay bir yöntemdir. Böylece fonksiyonel nesneler ile modellenen karar ağaçlarının daha iyi sınıflandırma performansı ve daha basit bir ağaç yapısı ile sınıflandırma amacıyla kullanılabileceği ortaya konulmuştur. Bu sayede ham veri ile kurulan ağaç modeline yeni bir yaklaşım önerilmektedir. Anahtar Kelimeler: Fonksiyonel Veri Analizi, Çok Değişkenli Fonksiyonel Veri Analizi, Makine Öğrenmesi, Karar Ağaçları, Fonksiyonel Veri ile Sınıflandırma Ağacı, Fonksiyonel Veri ile Regresyon Ağacı, Düzgünleştirme, Büyük Veri, Boyut İndirgeme, COVID-19.