Adaptive sampling with feature elimination for agent-based models
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye
Tezin Onay Tarihi: 2020
Tezin Dili: İngilizce
Öğrenci: PELİN YURDADÖN
Danışman: GÖNENÇ YÜCEL
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu tezde, incelenen çıktıya göre önemsiz olan model parametrelerinin varlığında, model parametreleri ile model çıktısı arasındaki ilişkileri başarılı bir şekilde yakalamak için uyarlanabilir örnekleme ve öznitelik eleme stratejilerini eşzamanlı kullanan verimli ve kullanıcı dostu bir metamodelleme prosedürü öneriyoruz. Bu prosedürde, Rassal Orman metamodeli kullanılmakta. Uyarlanabilir örnekleme, metamodeli eğitmek için yüksek kaliteli bir veri setini verimli bir şekilde oluştururken; öznitelik eliminasyonu, önemsiz parametreler nedeniyle oluşan karmaşıklığı ve boyutsallığı azaltarak metamodelleme prosedürünün performansını ve verimini arttırır. Bu bağlamda, önerilen metamodelleme prosedürü potansiyel olarak çok parametreli simülasyon modelleri için de uygulanabilir. Örnekleme amacıyla, önerilen prosedür etmen-tabanlı bir Ayrışma modeline uygulandı. Uyarlanabilir örnekleme stratejisinin, girdi odaklı ve rastgele örnekleme stratejilerine kıyasla daha yüksek tahmin performansına sahip metamodeller üretebileceği gözlendi. Yine de, metamodelin doğruluğu Rassal Orman metamodelinin mtry parametresi ve önemsiz simülasyon parametrelerinin varlığından önemli ölçüde etkilenir. Ancak, deney sonuçları, önerilen prosedürün önemsiz simülasyon parametrelerinin metamodel ve örnekleme üzerindeki dezavantajlarını başarılı bir şekilde ortadan kaldırdığını ve metamodel performansının mtry parametresine bağımlılığını azalttığını göstermektedir. Sonuç olarak, önerilen metamodelleme prosedürü, simülasyon modeline gömülü dinamikleri başarılı bir şekilde yaklaşıklayan bir metamodel üretmek için gürbüz ve verimli bir yol olarak öne çıkıyor. Önerilen prosedür, kapsamlı model analizleri için gereken süreyi azaltmak, model davranışları hakkında farkındalık kazanmak ve model davranışını düzenleyen model parametrelerini tespit etmek için araştırmacılar tarafından uygulanabilir.