Karma veri modellerinin optimizasyonu için esnek hesaplama yöntemleri

Abstract

Gerçek dünya problemlerine ilişkin verilerin hem nitel hem de nicel değerli olması durumunda problem karma veri problemi olarak adlandırılır. Bu tez çalışmasında, karma veri probleminin modellenmesi ve çok amaçlı optimizasyonu amaçlanmıştır. Çok yanıtlı karma veri probleminin modelleme aşamasında, Genelleştirilmiş Doğrusal Modeller (Generalized Linear Models-GLM), Ridge, LASSO, Elastik Net ve Görünüşte İlişkisiz Regresyon (Seemingly Unrelated Regression-SUR) analizleri yapılarak tahmini yanıt fonksiyonları elde edilmiştir. Modelleme aşamasında elde edilen tahmini yanıt fonksiyonları amaç fonksiyonları olarak ele alınıp karma verili çok amaçlı optimizasyon (Multi-Objective Optimization - MOO) problemi oluşturulmuştur. Çalışmada, bu tür problemlerin Pareto çözüm kümesinin bulunması için popülasyon tabanlı bir yapay zeka optimizasyon algoritması olan Baskın Sıralı Genetik Algoritma-II (Nondominated Sorting Genetic Algorithm-II / NSGA-II) ve Baskın Sıralı Genetik Algoritma-III (NSGA-III) uyarlanmıştır. NSGA-II'nin ve NSGA-III'ün değişken gösterimi, başlangıç popülasyonu oluşturma ve genetik operatörlerin uygulanması aşamalarında yapılan uyarlamalarla elde edilen yöntemler Karma Verili Baskın Sıralı Genetik Algoritma-II (Mixed Data Nondominated Sorting Genetic Algorithm-II / MDNSGA-II) ve Karma Verili Baskın Sıralı Genetik Algoritma-III (MDNSGA-III) olarak adlandırılmıştır. Önerilen MDNSGA-II ve MDNSGA-III yöntemleriyle kesikli girdi değişkenlerinin tanım kümesinden değerler alması sağlanarak karma verili çok amaçlı problem optimize edilmiştir. Çalışmanın uygulama aşamasında, UCI Machine Learning Repository veri tabanındaki enerji verimliliği karma veri kümesine ve gıda alanında literatürde mevcut olan deneysel veri kümesinin karma verili hale getirilmesiyle elde edilen veri kümesine MDNSGA-II ve MDNSGA-III yöntemleri uygulanmıştır. MOO sonucunda, MDNSGA-III ile elde edilen Pareto çözüm kümesinde MDNSGA-II'ye göre iyileşme sağlandığı ve daha fazla çözüm çeşitliliğinin elde edilebildiği sonucuna ulaşılmıştır.