Nitelik seçme algoritmalarıyla birleştirilmiş makine öğrenme yöntemleri kullanılarak yeni hibrit VO2MAX tahmin modellerinin geliştirilmesi

Bu tezin iki amacı bulunmaktadır. İlk amaç; maksimal, submaksimal ve anket değişkenlerinin ilk defa ikili ve üçlü kombinasyonlarını kullanarak yeni hibrit nitelik seçme tabanlı maksimum oksijen tüketimi (VO2max) tahmin modelleri geliştirmektir. Model geliştirme için Destek Vektör Makinesi, yapay sinir ağları tabanlı ve ağaç yapılı makine öğrenme yöntemleri ile birleştirilmiş Relief-F, mRMR ve MLFS nitelik seçicileri kullanılmıştır. İkinci amaç ise; Relief-F, mRMR ve MLFS'den oluşan ve önemli VO2max tahmin değişkenlerinin belirlenmesinde daha güvenilir kararlar almak ve daha doğru modeller geliştirmek üzere üç bireysel nitelik seçicisinin konsensüs özelliklerini kullanan yeni bir hibrit nitelik seçici algoritma tasarlamaktır. Modellerin performansı üç farklı veri seti üzerinde 10 katlı çapraz doğrulama kullanılarak, çoklu korelasyon katsayıları (R's) ve ortalama karekök hataları (RMSE's) hesaplanarak değerlendirilmiştir. Elde edilen sonuçlar incelendiğinde, literatürde yer alan ve sadece maksimal, submaksimal veya anket değişkenleri ile oluşturulan nitelik seçme tabanlı normal modellerin sonuçlarına göre, bu tezde önerilen hibrit modellere ait R ve RMSE değerlerinin belirgin bir şekilde iyileştiği görülmüştür. Ayrıca, önerilen hibrit nitelik seçicisine dayalı modellerinin; Relief-F, mRMR veya MLFS'nin bireysel olarak uygulanması ile oluşturulan modellerine göre karşılaştırılabilir veya en iyi durumda ortalama %12.46'ya kadar daha düşük hata oranları ürettiği görülmüştür.