Yaşam kalitesi endeksi tabanlı bileşik makine öğrenme teknikleriyle yaşam alanı tahmin modeli
A living environment prediction model using ensemble machine learning techniques based on life quality index
- Tez No: 462928
- Danışmanlar: YRD. DOÇ. DR. ERSİN NAMLI
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Makine öğrenmesi yöntemleri, Yapay zeka, Machine learning methods, Artificial intelligence
- Yıl: 2017
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yaşam alanı birçok disiplin tarafından farklı açıdan ele alınmış ve her disiplin yaşam alanını, farklı bir yönü ile tanımlamıştır. Genel olarak yaşam alanının belirli bir tanımı yoktur; mekânsal ve mekânsal olmayan ekonomik, sosyal ve çevresel boyutları temsil eden karmaşık ve çok boyutlu bir kavramdır (Carmona ve De Mahalhaes, 2007; Michalos, 2014). Yaşam kalitesi de tıpkı yaşam alanı gibi çok boyutludur. Hoe ve diğ. (2011)'e göre evrende var olan insan sayısı kadar yaşam kalitesinin tanımını yapmak mümkündür. Dolayısıyla her iki kavramda ele alınması ve standartlaştırılması zor kavramlardır. Yaşam alanı doğrudan kişinin yaşam kalitesini etkilemektedir. Ters açıdan bakılacak olursa kişide, yaşam kalitesi doğrultusunda kendisine bu standartlarda bir yaşam alanı tahsis etmelidir. Kişinin yaşam alanını seçmesinde bazı önemli konular vardır; ekonomik, sosyal, kültürel, güvenlik, ulaşım vb. Yaşam alanı seçiminde hem kişinin tercihleri hem de yaşam alanından beklentileri önemlidir. Bu çalışmada literatürdeki yaşam kalitesi ile ilgili çalışmalarda kullanılan anket verileri dikkate alınmış ve ankette kişilerin yaşamak istedikleri ilçelerden beklentileri, demografik yapıları, eğitim durumları ve ekonomik durumları gibi bir takım sorular sorulmuştur. Böylece kişilerin isteklerini ve aynı zamanda bu istekleri karşılayacak ekonomik kapasitelerini birleştiren bir yaşam kalitesi endeksi elde edilmiştir. Bireylerin yaşayabilecekleri alanlar Şeker (2011)'in çalışmasında da verildiği gibi 6 kalite derecesine ayrılmış ve bireyler bu alanlarda onlar için en uygun aralığa atanmıştırlar. Atama işlemleri için makine öğrenme yöntemlerinden yararlanılmıştır. Makine öğrenme teknikleri; tahmin modelleri, tedarik zinciri tasarımı, stok dağıtım problemleri, hisse senedi yönlendirme, borsa analizi gibi geniş bir uygulama alanına sahiptir. Bu çalışmada, yaşam alanı tahmin modelinin oluşturulması için makine öğrenme (MÖ) teknikleri ve bileşik makine öğrenme (BMÖ) teknikleri kullanılmıştır. Çalışmada yaşam kalitesi endeksine dayalı MÖ ve BMÖ teknikleri kullanılarak bir yaşam alanı tahmin modeli önerilmiştir. Yaşam alanını tahmin etmek için, MÖ temelli metodolojiler; yapay sinir ağları (YSA), destek vektör makineleri (DVM) ve BMÖ temelli metodolojiler; iki aşamalı öğrenme, oylama, rastgele alt uzay ve filtreli sınıflandırıcı yöntemleridir. Bileşik modellerin tahmin sonuçları bireysel MÖ modellerinin tahmin sonuçlarına göre daha iyidir; özellikle iki aşamalı öğrenme temelli DVM ve lojistik model ağacı (LMA) modellerinin birleşimi %80 bölme metoduyla en iyi performans değerini vermiştir.
Özet (Çeviri)
The living environment has been dealt with by many disciplines from different perspectives and each discipline has defined the living space in a different way. In generally, there is'nt spesific definition of the living environment; it is a complex and multidimension concept that embodies spatial and non-spatial economic, social and environmental dimensions (Carmona ve De Magalhaes, 2007; Michalos, 2014). The life quality is multidimension the same as the living environment. According, Hoe et al. (2011), it is possible to define the life quality as much as the number of people living in the world. Therefore, both concepts are difficult concepts to handle and standardize. The living environment directly affects on individual's life quality. If it is to be looked at from the opposite side, individual should allocate a living environment to these standards in terms of life quality. There are some important issues in choosing the living environment of the person; economic, social, cultural, security, transportation etc. The choice of the living environment is important that person's preferences and expectations in the living environment. In this study, questionnaire datas used in studies related to life quality in the literature are taken into consideration and a number of questions were asked, such as anticipations, demographics, educational status and economic situation of the people in the questionnaire. Thus, a life quality index has been obtained that combines the desires of the people and the economic capacities to satisfy these demands at the same time. The environments in which individuals can live are divided into 6 grades as given in the study of Şeker (2011) and the individuals are assigned to the most appropriate range in these environments. Machine learning methods have been used for assignment operations. Machine learning techniques have a wide range of application area as the establishment of prediction models, supply chain design, stock distribution problem, stock routing, stock market analysis. In this study, machine learning (MÖ) techniques and ensemble machine learning (BMÖ) techniques are used for establishment of living environment prediction model. In this study, a living environment prediction model is proposed using MÖ and BMÖ techniques based on a life quality index. For predicting living environment, MÖ-based methodologies include artificial neural network (YSA), support vector machines (DVM) and BMÖ-based methodologies include stacking, voting, random subspace, filtered classifier. The prediction results of ensemble models are better than prediction results of individual MÖ models, especially Stacking-based model composed of DVM+ logistic model tree (LMA) reached the best performance values using the %80 split method.
Benzer Tezler
- OECD ülkelerinin yaşanabilirlik düzeylerinin aralık değerli Pythagorean Bulanık AHS ve bulanık TOPSIS yöntemleri ile değerlendirilmesi
Evaluation of the availability levels of OECD countries with Pythagorean Fuzzy AHP and Fuzzy TOPSIS methods
GÖNÜL ÖGEL
Yüksek Lisans
Türkçe
2019
İşletmeAnadolu Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. NAMIK KEMAL ERDOĞAN
- Living with breast cancer: Policy practices and recommendations
Meme kanseriyle yaşamak: Politika pratikleri ve önerileri
HAZAL ERÇİN
Yüksek Lisans
İngilizce
2016
Sosyal HizmetOrta Doğu Teknik ÜniversitesiSosyal Politika Ana Bilim Dalı
DOÇ. DR. FATMA UMUT BEŞPINAR AKGÜNER
- Daha iyi yaşam endeksinin çeşitli sayısal yöntemlerle tekrar ölçülüp değerlendirilmesi
Revaluating and assesment of better life index with various mathematical methods
CEKİ MURAT MİZRAHİTOKATLI
Yüksek Lisans
Türkçe
2019
İşletmeİstanbul Aydın Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGE EREN
- İş yaşam dengesinin daha iyi yaşam endeksi çerçevesinde değerlendirilmesi: OECD ülkeleri üzerine bir inceleme
Evaluation of work life balance in the frameworkof better life analysis: A study on OECD countries
AYHAN KEKLİK
Yüksek Lisans
Türkçe
2020
Çalışma Ekonomisi ve Endüstri İlişkileriKırklareli ÜniversitesiÇalışma Ekonomisi ve Endüstri İlişkileri Ana Bilim Dalı
DOÇ. DR. OĞUZ BAŞOL
- An analysis on the competencies and deficiencies of human development index: Conclusions drawn for Turkey
İnsani gelişmişlik endeksinin yeterlilikleri ve eksiklikleri üzerine bir analiz: Türkiye için çıkarımlar
MEHMET TOLGA TANER
Doktora
İngilizce
2011
İşletmeGebze Yüksek Teknoloji Enstitüsüİşletme Ana Bilim Dalı
PROF. DR. BÜLENT SEZEN