Nitelik seçme algoritmalarıyla birleştirilmiş makine öğrenme yöntemleri kullanılarak kros kayakçıların üst vücut güç tüketiminin tahmin edilmesi

Üst Vücut Gücü (ÜVG), kros kayakçıların yarış esnasındaki performanslarını etkileyen en önemli faktörlerden biridir. ÜVG tahmini için bazı çalışmalar bulunsa da, şimdiye kadar, makine öğrenme metotlarıyla çeşitli özellik seçimi algoritmaları birlikte kullanılarak UBP tahmininde ayrımcı özellikleri tanımlamak için hiçbir çalışma bulunmamaktadır. Bu tezin amacı, Relief-F, mRMR ve CFS nitelik seçimi algoritmalarıyla Genel¬leştirilmiş Regresyon Sinir Ağı (General Regression Neural Network –GRNN), Ağaç Destekleme (Tree Boost), Çok Katmanlı Algılayıcı (Multilayer Perceptron- MLP), Destek Vektör Makinesi (Support Vector Machine - SVM), Radyal Tabanlı Fonksiyon Sinir Ağı (Radial Basis Function Neural Network – RBF) ve Tekli Karar Ağacı (Single Decision Tree - SDT) kullanılarak kros kayak yarışçılarının 10 saniye ÜVG (ÜVG10) ve 60 saniye ÜVG (ÜVG60) tahmini için yeni tahmin modelleri geliştirmektir. Söz konusu regresyon yöntemleri kullanılarak, kros kayakçılarının ÜVG10 ve ÜVG60 tahmini için birçok çeşitli tahmin modeli geliştirilmiştir. Model testleri için 10 katlı çapraz doğrulama uygulanmıştır. Tahmin modellerinin verimliliği, onların çoklu korelasyon katsayıları (R), standart tahmin hataları (SEE) ve mutlak yüzdelik hata ortalamaları (MAPE) ile hesaplanmıştır. Sonuçlar göstermektedir ki, GRNN tabanlı tahmin modelleri diğer regresyon yöntemleriyle üretilmiş olan tahmin modellerinden çok daha iyi performans (en yüksek R ve en düşük SEE) vermektedir. Ayrıca, tahmin değişkenlerinin tamamını kullanmak yerine daha az miktarda tahmin değişkeni kullanmak, benzer hata oranları ile ÜVG10 ve ÜVG60 tahmini için yararlı olabilir.