Tez No	İndirme	Tez Künye	Durumu
460975		Development of new hybrid models for prediction of VO2MAX using machine learning methods combined with feature selection algorithms / Nitelik seçme algoritmalarıyla birleştirilmiş makine öğrenme yöntemleri kullanılarak yeni hibrit VO2MAX tahmin modellerinin geliştirilmesi Yazar:FATİH ABUT Danışman: DOÇ. DR. MEHMET FATİH AKAY Yer Bilgisi: Çukurova Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2017 149 s.
Bu tezin iki amacı bulunmaktadır. İlk amaç; maksimal, submaksimal ve anket değişkenlerinin ilk defa ikili ve üçlü kombinasyonlarını kullanarak yeni hibrit nitelik seçme tabanlı maksimum oksijen tüketimi (VO2max) tahmin modelleri geliştirmektir. Model geliştirme için Destek Vektör Makinesi, yapay sinir ağları tabanlı ve ağaç yapılı makine öğrenme yöntemleri ile birleştirilmiş Relief-F, mRMR ve MLFS nitelik seçicileri kullanılmıştır. İkinci amaç ise; Relief-F, mRMR ve MLFS'den oluşan ve önemli VO2max tahmin değişkenlerinin belirlenmesinde daha güvenilir kararlar almak ve daha doğru modeller geliştirmek üzere üç bireysel nitelik seçicisinin konsensüs özelliklerini kullanan yeni bir hibrit nitelik seçici algoritma tasarlamaktır. Modellerin performansı üç farklı veri seti üzerinde 10 katlı çapraz doğrulama kullanılarak, çoklu korelasyon katsayıları (R's) ve ortalama karekök hataları (RMSE's) hesaplanarak değerlendirilmiştir. Elde edilen sonuçlar incelendiğinde, literatürde yer alan ve sadece maksimal, submaksimal veya anket değişkenleri ile oluşturulan nitelik seçme tabanlı normal modellerin sonuçlarına göre, bu tezde önerilen hibrit modellere ait R ve RMSE değerlerinin belirgin bir şekilde iyileştiği görülmüştür. Ayrıca, önerilen hibrit nitelik seçicisine dayalı modellerinin; Relief-F, mRMR veya MLFS'nin bireysel olarak uygulanması ile oluşturulan modellerine göre karşılaştırılabilir veya en iyi durumda ortalama %12.46'ya kadar daha düşük hata oranları ürettiği görülmüştür.
The purpose of this thesis is twofold. The first purpose is to develop new hybrid feature selection-based maximal oxygen uptake (VO2max) prediction models using for the first time the double and triple combinations of maximal, submaximal and questionnaire variables. Several machine learning methods including Support Vector Machine, artificial neural network-based and tree-structured methods combined individually with three feature selectors Relief-F, minimum redundancy maximum relevance (mRMR) and maximum-likelihood feature selector (MLFS) have been applied for model development. The second purpose is to design a new ensemble feature selector, which aggregates the consensus properties of Relief-F, mRMR and MLFS to produce more robust decisions about the set of relevantly identified VO2max predictors and to create more accurate prediction models. Using 10-fold cross validation on three different datasets, the performance of prediction models has been evaluated by calculating their multiple correlation coefficients (R's) and root mean squared errors (RMSE's). The results show that compared with the results of the other regular feature selection-based models in literature, the reported values of R and RMSE of the hybrid models in this thesis are considerably more accurate. Furthermore, prediction models based on the proposed ensemble feature selector outperform the models created by individually using the Relief-F, mRMR or MLFS, achieving similar or ideally up to 12.46% lower error rates on the average.