Makine öğrenme yöntemleri kullanılarak egzersize dayalı olmayan, submaksimal ve hibrit test değişkenlerinden VO2max tahmin modellerinin geliştirilmesi

Maksimal oksijen tüketimi (VO2max), şiddetli dayanıklılık egzersizi esnasında azami oksijen taşıma ve tüketme yeteneği olarak tanımlanır ve kalp-solunum (kardiyorespiratuvar) uygunluğunu ölçmenin tek ve en iyi yöntemi olarak kabul edilir. Bu tezin amacı farklı veri setleri ile submaksimal, egzersize dayalı olmayan ve hibrit değişkenleri kullanarak Destek Vektör Makineleri (DVM), Çok-Katmanlı İleri-Beslemeli Yapay Sinir Ağları (YSA) ve Çoklu Doğrusal Regresyon (ÇDR) ile yeni VO2max tahmin modelleri geliştirmektir. Dört farklı veri seti üzerinde, 10-katlı çapraz doğrulama kullanılarak, tahmin modellerinin performansları Çoklu Korelasyon Katsayısı (R) ve Standart Tahmin Hatası (STH) hesaplanarak elde edilmiştir. Sonuçlar, DVM-tabanlı VO2max tahmin modellerinin YSA ve ÇDR-tabanlı tahmin modellerine göre daha başarılı olduğunu göstermiştir. Ayrıca bu tezde, DVM ve YSA tabanlı VO2max tahmin modellerinin performansını arttırmak için yeni bir yaklaşım önerilmiştir. Veri eksiltme olarak adlandırılan bu yaklaşım uyumsuz satırların öğrenme veri setinden öğrenme aşamasında çıkarılmasına dayalıdır. Önerilen yaklaşımın performansı yaygın olarak kullanılan iki farklı aykırı değer algılama algoritması ile karşılaştırılmıştır. Geliştirilmiş DVM ve YSA-tabanlı VO2max tahmin modelleri, normal ve aykırı değerleri algılama algoritması tabanlı DVM ve YSA-tabanlı VO2max tahmin modelleri ile karşılaştırıldığında hata oranlarında fark edilebilir düzeyde bir azalma ortaya çıkmıştır.