Bilgilendirici Kayıp Veri ve Sınıf  Dengesizliğinde Derin Öğrenme ve SMOTE Tabanlı Güvenli Aşırı  örnekleme Yaklaşımı

Umut Yamak

Bilgilendirici Kayıp Veri ve Sınıf Dengesizliğinde Derin Öğrenme ve SMOTE Tabanlı Güvenli Aşırı örnekleme Yaklaşımı

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Ondokuz Mayıs Üniversitesi, Fen Fakültesi, İstatistik Bölümü, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: Umut Yamak

Danışman: Yüksel Terzi

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tez çalışmasında, makine öğrenmesi uygulamalarında sıkça karşılaşılan iki temel problem olan kayıp veri ve sınıf dengesizliği sorunları birlikte ele alınmış ve bu problemlere yönelik derin öğrenme tabanlı bütünleşik bir yöntem geliştirilmiştir. Önerilen yaklaşım, yalnızca sentetik örnek üretmekle sınırlı kalmayıp, veri kaybı bilgisini de modelleme sürecine dahil ederek literatürdeki klasik yöntemlerin ötesine geçmektedir. Bu bağlamda, öncelikle çoklu atama (MICE) yöntemi ile kayıp veriler tamamlanmış, ardından kayıp verinin konum bilgisi gösterge değişkenler aracılığıyla modele eklenmiştir. Sonraki aşamada, azınlık sınıfına ait örnekler kodlayıcı–çözücü tabanlı derin sinir ağı ile gizil (latent) uzaya taşınmış ve burada SMOTE benzeri aşırı örnekleme uygulanmıştır. Latent uzayda üretilen sentetik örnekler daha sonra çözücü aracılığıyla orijinal özellik uzayına dönüştürülmüştür. Ayrıca güvenli bölgelerin tanımlandığı yarıçap tabanlı kontrol mekanizması ile üretilen veriler sınıf sınırlarına duyarlı hale getirilmiş ve gürültü oluşumu minimize edilmiştir. Bu çalışmada önerilen yöntem, yedi farklı mekanizma ve beş ayrı sınıflandırıcı kullanılarak kapsamlı biçimde değerlendirilmiştir. Deneysel analizler, 35 dengesiz veri seti üzerinde %10, %20, %30, %40 ve %50 oranlarında rastgele oluşturulan kayıp değerler ile gerçekleştirilmiştir. Modellerin performansları, F1 skoru, Matthews Korelasyon Katsayısı (MCC) ve ROC eğrisi altında kalan alan (AUC) ölçütleri üzerinden ayrıntılı olarak karşılaştırılmıştır. Elde edilen sonuçlar, farklı kayıp oranları ve sınıflayıcı türleri altında önerilen yöntemin istatistiksel olarak anlamlı biçimde daha yüksek performans sergilediğini ortaya koymuştur.