Nitelik seçme ile birleştirilmiş makina öğrenme yöntemleri kullanılarak maksimum oksijen tüketiminin tahmini

Maksimal oksijen tüketimi (VO2max), bireyin yoğun ve maksimal egzersiz sırasında kullandığı maksimum oksijen miktarını ifade eder. VO2max'ı tahmin etmek için bir çok çalışma yapılmış olmasına rağmen, şu ana kadar hiç bir çalışmada VO2max tahmini için ayırt edici niteliklerin belirlenmesinde nitelik seçme algoritmaları ile birleştirilmiş makine öğrenme yöntemlerinin uygulanması konusu yer almamaktadır. Bu tezin amacı, nitelik seçme algoritmaları ile birleştirilmiş Destek Vektör Makineleri (SVM) ve Çok Katmanlı Algılayıcı (MLP) kullanarak yeni VO2max tahmin modelleri geliştirmektir. Relief-F ve Korelasyon-tabanlı Nitelik Seçme (CFS) algoritmaları kullanılmıştır. Tüm veri setleri üzerinde Relief-F uygulayarak, niteliklerin sıralaması elde edilmiştir. Her defasında en düşük skora sahip nitelik elenerek, veri setinin boyutu küçültülmüştür. Ayrı olarak, tüm veri setleri üzerinde CFS kullanılarak en iyi nitelikleri barındıran alt kümeler seçilmiştir. Dört farklı veri seti üzerinde 10 katlı çapraz doğrulama kullanılarak, tahmin modellerini performansı çoklu korelasyon katsayısı (R) ve standart tahmin hatası (SEE) hesaplanarak belirlenmiştir. Elde edilen sonuçlara göre, SVM tabanlı VO2max tahmin modellerinin diğer regresyon yöntemleri ile geliştirilen modellere göre daha iyi performans (daha düşük SEE ve daha yüksek R) gösterdiği görülmüştür.