Analysing the efficacy of feature elimination and adaptive sampling in meta-model based exploration of agent-based simulation models

---

Tezin Türü: Yüksek Lisans

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

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: ECEMNAZ YILDIZ

Danışman: GÖNENÇ YÜCEL

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tezde, etmen-tabanlı simülasyon modellerini incelemek için gelişmiş bir prosedür tasarlanmıştır. Bu prosedürde, değişken seçimi ve uyarlanabilir örnekleme tekniklerinden faydalanan bir meta-modelleme yöntemi kullanılmıştır. Prosedürün amacı, özgün etmen-tabanlı simülasyon modelini taklit edip çıktılarını doğru bir şekilde tahmin edebilecek bir makine öğrenmesi modeli oluşturmaktır. Tasarlanan prosedür, meta-model değişkenlerine ait önem değerlerinin hesaplanması sayesinde, etmen-tabanlı model parametrelerinin çıktı üzerindeki etkilerinin analiz edilebilmesini de sağlar. Meta-modelin oluşturulmasında Rastsal Orman algoritması kullanılmıştır. Meta-modeli eğitmekte kullanılacak yüksek kaliteli veri setinin oluşturulması için uyarlanabilir örnekleme yönteminden faydalanılmıştır. Boyutsallığın yarattığı sorunları önlemek ve meta-modelin odağını çıktı açısından önemli değişkenler üzerinde tutmak amacıyla değişken eleme yöntemi uygulanmıştır. Önerilen prosedür, performans değerlendirmesi için, karmaşık bir etmen-tabanlı simülasyon modeli üzerinde uygulanmıştır. Uygulama için, olasılıksal doğası ve geniş parametre yelpazesi göz önünde bulundurularak, sosyo-dinamik sistemleri analiz eden güncel bir etmen-tabanlı simülasyon modeli seçilmiştir. Ayrıca tasarlanan prosedürün performansı, literatürde daha önce önerilen meta-modelleme yöntemleriyle karşılaştırmalı olarak değerlendirilmiştir. Çalışmada hem öngörülen çıktı değerlerinin hem de yapılan değişken seçimlerinin doğruluğu detaylı bir şekilde analiz edilmiştir. Deney ve analizler, önerilen prosedürün orijinal simülasyon modeline ait çıktıları doğru ve verimli bir şekilde tahmin ederken daha önce önerilmiş meta-modelleme yöntemine göre daha doğru sonuçlar ürettiğini göstermiştir.