Evaluating the successfulness of startup businesses by data mining techniques
Veri madenciliği teknikleri ile girişim şirketlerinin başarısının değerlendirilmesi
- Tez No: 774275
- Danışmanlar: DOÇ. DR. DERYA EREN AKYOL
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Veri madenciliği, makine öğrenmesi, topluluk öğrenmesi, başlangıç işletme, Aşırı grandyan aratma, Gradyan artırma algoritması, Öğrenme teknikleri, Data mining, machine learning, ensemble learning, startup business, extreme gradient boosting, Gradient boosting algorithm, Learning techniques
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Başlangıç işletmelerin başarını tahmin etmek literatürde çok ilgi çeken bir konudur. Son yıllarda, araştırmacılar tarafından Başlangıç işletmelerin başarını etkileyen faktörler ile ilgili bir çok çalışma gerçekleştirildi ve bir çok şirket, yeni iş modellerini geleceğini görmek ve isabetli şekilde tahmin etmek için çeşitli tahminleme modelleri geliştirmeye odaklandı.Bu çalışmada bir Startup şirketinin başarısını güvenilir şekilde tahmin edebilen bir model geliştirilmiştir. Önceki çalışmalar risk ve başarı faktörlerine yada girişimcinin eğitim seviyesi, finansman metodları, zamanlamanın uygunluğu gibi kriterlere bakmadan, yalnızca kullanılan çeşitli algoritmaların doğruluğuna odaklanmıştır. Bu tezde Cruchbase büyük veri kümesinden seçilen bir Başlangıç işletme şirketinin başarısını tahmin edebilmek için bir makine öğrenmesi metodu olan topluluk öğrenmesini kullanıldı. Amaç veri setindeki diğer değişkenleri kullanarak, başarı ve başarısızlık faktörlerini ayırt etmektir. Başlangıç işletme şirketlerinin başarısnı etkileyen birçok faktör dahil edilmiş ve Aşırı Gradyan Arama, Gradyan Arama, Adaptif Arama ve Rastgele Orman gibi tahminleme yaklaşımları ile karşılaştırılmıştır. Ortaya çıkan sonuçlar melek yatırımcılara ve risk sermayedarlarına daha nitelikli ve ölçülebilir Başlangıç işletme portfolyoları oluşturmakta yardımcı olabilecek niteliktedir. Tahminleme aşamasında veri, rassal olarak eğitim ve test verisi olmak üzere ikiye bölünmüştür. Amaç, kıyaslana tekniğinin (XGBoosting) kullanarak tahminleme modelini eğitim verisine uydurmak ve daha sonra model performansını ve test verisindeki değişkenlerin önemini ölçmektir.
Özet (Çeviri)
Estimating the success of startups has attracted a lot of interest in the literature. In recent years, a lot of research has been carried out by researchers about the factors which influence startup businesses' successfulness and most corporations focused on developing various types of prediction models to accurately anticipate the fate of new businesses. In this work, we try to develop a reliable model for predicting startup businesses' success. Previous studies have concentrated on the accuracy of various algorithms without exploring the true influence of risk and success variables, or on understanding the effects of factors such as entrepreneur education, funding techniques, and timing on startup success or failure. In this thesis, we employ ensemble learning which is a method of machine learning to predict the success of startup businesses by using selected subsets of Crunchbase big data set. The goal is to use other variables from the dataset to distinguish between successes and failures. We include several factors that influence the startup success, and compare various prediction approaches, such as Extreme Gradient Boosting, Gradient Boosting, AdaBoost and Random Forest. The final result might assist Angel Investors and Venture Capitalists in developing more consistent and quantifiable startup portfolios. We randomly partition the data into two datasets throughout the estimate phase: training data and testing data. The objective is to use the benchmark approach (XGBoosting) to fit the model in the training data and then test the model's performance and the importance of the variables in the testing data.
Benzer Tezler
- Ulaş Sağlık Ocağı merkezinde nüfusun bazı niteliklerine ve konutların durumuna ilişkin bir çalışma
An Investigation carried out at the Ulaş Public Health Centre concerning some characteristics of the population and housing conditions in the district of Ulaş
EROL ŞANLI
Doktora
Türkçe
1985
Halk SağlığıCumhuriyet ÜniversitesiHalk Sağlığı Ana Bilim Dalı
DOÇ. DR. SERVET ÖZGÜR
- Antakya tarihi ticaret merkezi mekansal yapı değişim ve gelişim sürecinin kent ticaret merkezi planlamasına etkinliği
The Effectiveness of spatial structural chance and development period of the historical trade center of Antakya in the urban trade planning
NEVİN TURGUT
Yüksek Lisans
Türkçe
1986
Şehircilik ve Bölge PlanlamaGazi ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
YRD. DOÇ. DR. NURCAN UYDAŞ
- İzmir'de bazı yolların kapatılarak yaya bölgeleri oluşturma da kent peyzajını geliştirme açısından yeniden planlanması üzerinde araştırmalar
Başlık çevirisi yok
BAHAR TÜRKYILMAZ
Yüksek Lisans
Türkçe
1985
Şehircilik ve Bölge PlanlamaEge ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
- Sivas-Kangal yöresinde kırsal gelişme ve pazara açılma sürecindeki farklılaşmalar (bir örnek olay incelemesi)
Başlık çevirisi yok
FAHRİ ERCEM
Yüksek Lisans
Türkçe
1984
SosyolojiCumhuriyet ÜniversitesiSosyoloji Ana Bilim Dalı
DOÇ. DR. A. VAHAP SAĞ