Multiobjective trees for forecasting

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: İngilizce

Öğrenci: İREM ARICA

Danışman: MUSTAFA GÖKÇE BAYDOĞAN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Zaman serisi tahmini önemli bir görevdir ve eğitim, finans, tıp ve üretim gibi çeşitli alanlarda kullanılabilmektedir. Zamansal verilerin yaygın olarak kullanılması, veri madenciliği alanında birçok araştırma ve çalışmanın yapılmasına neden olmuştur. Zaman serisi analizi modellerinin yanı sıra, ağaç tabanlı yöntemler de zaman serisi analizi için yaygın olarak kullanılan yöntemlerdir. Ağaç tabanlı modeller karmaşık veri kümelerinde doğru sonuçlar sağlamaktadır ve doğrusal olmayan ilişkileri açıklayabilirler. Ancak zaman serisi verileri, bir değişkenin belirli zaman aralıklarında ölçülmesiyle elde edilir ve çoğu zaman öngörülebilir dalgalanmalar içerir. Ağaç tabanlı modellerin kullanımında, zamansal ilişki ve mevsimsellik modelleme sürecine dahil edilmelidir. Regresyon ağaçları, tüm veri noktalarını birbirinden bağımsız olarak dikkate almaktadır. Bu nedenle, zaman serisi tahmininde kullanımları için önceden işleme veya sonradan işleme yöntemlerine ihtiyaç vardır. Diğer yandan, ağaçların öğrenme algoritmasındaki değişiklikler ile zamansal etki ve mevsimsellik sağlanabilir. Çok amaçlı ağaçlar, karar ağaçlarının öğrenme sürecinde değişiklikler yapan ağaç tabanlı bir topluluk yaklaşımıdır. Karar ağaçlarının amacına ek olarak, bölme kararı sırasında dikkate alınacak iki yeni amaç daha eklenmiştir. Bunlar düğüm içerisindeki gözlemlerin zamansal yakınlığı ve gözlemler arasındaki mevsimsel mesafedir. Bu üç hedef farklı ağırlıklarda birleştirilerek tek bir karar metriği oluşturulur ve bu karar metriğine göre bölme işlemi yapılır. Deneylerde beş farklı sentetik veri seti ve üç adet zaman serisi veri seti kullanılmıştır. Bu hedefleri eklemek, parametre seçimi sonucunda belirlenen ağırlıklarla geleneksel yaklaşımdan daha iyi sonuçlar vermektedir. Son olarak, çok amaçlı ağaçlar rastgele orman modellerine benzer şekilde rastgele ortamda test edilmiştir ve geleneksel zaman serisi tahmin modelleri ile karşılaştırılmıştır. Tek bir karar ağacı uygulandığında rastgele ortama kıyasla daha rekabetçi sonuçlar elde edilmiştir.