İkili lojistik regresyonda model seçim yöntemlerinin performanslarının değerlendirilmesi
Evaluation of performance of model selection methods in binary logistic regression
- Tez No: 878726
- Danışmanlar: PROF. DR. İLKER ERCAN
- Tez Türü: Doktora
- Konular: Biyoistatistik, İstatistik, Biostatistics, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Bursa Uludağ Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde veri setlerinin büyüklüklerinin de artmasıyla birlikte değişkenler arasındaki ilişkilere ve neden-sonuç ilişkilerinin anlaşılması amacıyla matematiksel modellere ihtiyaç duyulmaktadır. İstatistiksel bir yöntem olan regresyon analizleri ise matematiksel modellerin oluşturulmasına olanak sağlamaktadır. Bağımlı değişkenin iki yanıt içerdiği ve değişkenler arasındaki ilişkilerin doğrusal olmadığı durumda ise ikili lojistik regresyon analizi kullanılmaktadır. Çalışmamızda ikili lojistik regresyonda farklı senaryolar ile backward, forward ve stepwise model seçim yöntemlerinin performanslarının karşılaştırılması amaçlanmıştır. N=1.000.000 olmak üzere simülasyon oluşturularak varsayımsal anakütle oluşturulmuştur. Lojistik regresyon modelinde risk ve koruyucu faktörlerinin oluşabilmesi için bağımlı ve bağımsız değişkenlerdeki durumlar farklı oran ve değerler ile belirlenmiştir. Örneklem büyüklükleri 200, 500, 750 ve 1.000 olmak üzere forward, backward ve stepwise model seçim yöntemleri için ayrı ayrı 1000 tekrar yapılmış olup lojistik regresyon modelleri oluşturularak ana kütle modeline ait AIC, BIC, ICOMP, CAICF bilgi kriterleri ve doğru sınıflama oranlarıyla karşılaştırılmıştır. Çalışmamızda model seçim yöntemleri karşılaştırıldığında ise genel olarak sürekli değişken ağırlıklı modellerde backward ve stepwise model seçim yöntemleri daha iyi sonuç vermiştir. Değişken türlerinin ağırlıkları benzer olduğunda ise forward model seçim yöntemi diğer model seçim yöntemlerine göre daha iyi sonuç vermiştir. Kategorik değişkenlerin ağırlıklı olduğu modellerde ise büyük örneklemlerde forward model seçim yöntemi daha iyi sonuç vermesine karşın daha küçük örneklemlerde ise backward ve stepwise model seçim yöntemleri daha iyi sonuç vermiştir.
Özet (Çeviri)
Nowadays, as the size of data sets increases, mathematical models are needed to understand the relationships between variables and cause-effect relationships. Regression analysis, a statistical method, allows the creation of mathematical models. In cases where the dependent variable contains two responses, and the relationships between the variables are non-linear, binary logistic regression analysis is used. Our study aimed to compare the performances of backward, forward, and stepwise model selection methods with different scenarios in binary logistic regression. A hypothetical population was created by generating a simulation with N=1000000. In order to create risk and protective factors in the logistic regression model, the situations in the dependent and independent variables were determined with different ratios and values. One thousand repetitions were made separately for the forward, backward, and stepwise model selection methods, with sample sizes of 200, 500, 750, and 1000, and logistic regression models were created and compared with the AIC, BIC, ICOMP, CAICF information criteria and correct classification rates of the population model. When model selection methods were compared in our study, backward and stepwise model selection methods generally gave better results in continuous variable weighted models. When the weights of variable types are similar, the forward model selection method gives better results than other model selection methods. In models with dominant categorical variables, the forward model selection method gives better results in large samples, but the backward and stepwise model selection methods provide better results in smaller samples.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Machine learning applications for selection processes of military projects: A data-driven approach
Askeri projelerin seçim süreçlerine yönelik makine öğrenmesi uygulamaları: Veri odaklı bir yaklaşım
EMRAH ÖZDEN
Yüksek Lisans
İngilizce
2026
İşletmeTürk Hava Kurumu Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU AGHAZADEH
- Makine öğrenmesi yöntemlerinin kasık fıtığı cerrahisi sonrası uzamış hastane yatışı riskinin tahminindeki performanslarının incelenmesi
Evaluation of the performance of machine learning methods in predicting the risk of prolonged hospital stay after inguinal hernia surgery
ZAHİDE ERDEM
Yüksek Lisans
Türkçe
2026
BiyoistatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. HATİCE ÖNCEL ÇEKİM
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Reinforcement learning-driven ensemble neural networks for heart disease prediction
Kalp hastalığı tahmini için takviyeli öğrenme tabanlı topluluk sinir ağları
ÖZGE HÜSNİYE NAMLI DAĞ
Doktora
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA YANIK ÖZBAY