Yazar "Kanbak, Deniz Furkan" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • [ X ]
    Öğe
    Monthly streamflow prediction and performance comparison of machine learning and deep learning methods
    (Springer Int Publ Ag, 2023) Ayana, Omer; Kanbak, Deniz Furkan; Keles, Muemine Kaya; Turhan, Evren
    Streamflow prediction is an important matter for the water resources management and the design of hydraulic structures that can be built on rivers. Recently, it has become a widely studied research field where data obtained from stream gauge stations can be utilized for creating estimating models by resorting to different methods such as machine and deep learning techniques. In this study, we performed monthly streamflow predictions by using the following data-driven methods of machine learning: linear regression, support vector regression, random forest and deep learning (DL) models to compare the performances of ML's and DL's techniques. A general workflow that can be applied to similar regions is presented. An estimating model containing six-input combinations and time-lagged streamflow data is improved by means of the autocorrelation function (ACF) and partial autocorrelation function (PACF). Furthermore, moving average is used as a smoothing technique to make the dataset more stable and reduce the effects of noise data. A comparative evaluation has been conducted to determine the performances of the above-mentioned methods. In this study, we proposed four different DL models and compared them with existing techniques. For the comparison of the results, we used evaluation criteria such as Nash-Sutcliffe efficiency (NSE), mean square error (MSE) and percent bias (PBIAS). The experimental results indicate that our bidirectional gated recurrent units (BiGRU) model outperforms both ML algorithms and existing solutions with 0.971 NSE, 0.001 MSE and - 1.536 PBIAS scores.
  • [ X ]
    Öğe
    Optimization algorithms inspired by sea creatures in feature selection applications
    (Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi, 2023) Kanbak, Deniz Furkan; Keleş, Mümine Kaya
    Veri madenciliği, makine öğrenimi ve örüntü tanıma gibi uygulamalarda, öznitelik seçimi önemli bir ön işleme adımıdır. Gereksiz ve alakasız özellikleri kaldırarak, öğrenme modelinin hesaplama maliyetini azaltırken gereksiz ve alakasız özellikleri kaldırarak sınıflandırma doğruluğunu artırır. Bu tezde, doğadan ilham alan dokuz metasezgisel algoritma ve bir geleneksel yöntem, UCI veritabanından alınan yirmi iki veri seti üzerinde test edildi. Test sonuçları, doğruluk, kesinlik, duyarlılık, F-Score ve seçim boyutu dahil olmak üzere beş farklı değerlendirme metriği kullanılarak değerlendirildi. Algoritmalar ve sınıflandırıcılar arasındaki ilişkiyi daha iyi anlamak için dört farklı sınıflandırıcı kullanılmıştır. Algoritmalar üç kategoriye ayrılır: Emperor Penguin Colony (EPO), Marine Predators Algorithm (MPA), Salp Swarm Algorithm (SSA), Jellyfish Search Optimizer (JS), Sailfish Optimizer (SFO) ve Whale Optimizer (WOA) gibi deniz canlılarından esinlenen algoritmalar; Ant Colony Optimizer (ACO), Genetic Algorithm (GA) ve Particle Swarm Algorithm (PSA) gibi literatürde iyi bilinen algoritmalar; Ki-Kare (CHI2) olarak geleneksel yöntem. Bu tezde, JS algoritmasını literatürde ilk kez öznitelik seçim sürecinde kullanılmak üzere ikili JS algoritması olarak öneriyoruz. Test sonuçları, EPO'nun naïve bayes sınıflandırıcısını kullanarak en iyi algoritma olduğunu, MPA'nın destek vektör makinesi (SVM) sınıflandırıcısını kullanarak en iyi algoritma olduğunu, SFO'nun K-En Yakın Komşu (KNN) sınıflandırıcısını kullanarak en iyi algoritma olduğunu ve JS'nin özellik seçme işlemi için rassal orman (RF) sınıflandırıcısını kullanarak en iyi algoritma olduğunu gösterdi.