Browsing by Author "Kurt, Şenol"

Now showing 1 - 2 of 2

Applications of Machine Learning Procedures on Data Envelopment Analysis
(2023) Kurt, Şenol; Dinçergök, Burcu
Veri Zarflama Analizi (VZA) ve Makine Öğrenmesi (MÖ), veriden anlam çıkarmayı amaçlayan ve yaygın olarak kullanılan iki metodolojidir. İki metodolojinin birlikte kullanıldığı çalışmalara ilişkin literatür incelendiğinde, genellikle MÖ algoritmalarının VZA metodolojisinin kısıtlarını aşmak için kullanıldığı görülmektedir. Bu çalışmanın amacı, bir MÖ algoritmasının VZA modeli kullanılarak birim ünite etkinliğinin değerlendirmesini geliştirmek için kullanılabilirliğini araştırmaktır. Bu tez, VZA üzerindeki MÖ prosedürlerinin uygulamalarını inceleyerek mevcut literatüre katkı yapmaktadır. ML algoritmaları ile bir VZA modelinden elde edilen etkinlik skorlarını tahmin etmeye yönelik daha önce yapılmış çalışmalar olmasına rağmen, bu çalışma, bazıları daha önce kullanılmamış olan ML algoritmalarını da kullanarak bu konudaki çalışmayı genişletmektedir. Karar ağacı tabanlı MÖ modelleri, hedef değişkeni tahmin etmede daha büyük etkiye sahip olan özellikleri belirleyebilir. Önceki çalışmalar, Karar Verme Birimi (KVB) verimliliğini etkileyen önemli değişkenleri belirlemek ve açıklamak için özellik önem skorlarını kullanmıştır. Öte yandan, yeni bir yaklaşım olarak, bu çalışma bir VZA modeli için bir ağırlık kısıtlaması olarak özellik önem sıralamasının kullanılmasını önermektedir. Önerilen yaklaşım, VZA modelinin bazı girdilere çok fazla ağırlık veren ve diğer girdilere sıfır ağırlık atayarak göz ardı eden bir sınırlamasının üstesinden gelmek için kullanılabilir. Bu yaklaşım gerçek bir veri seti ile kullanılarak VZA modelinin kalitesinin arttırdığı kanıtlanmıştır.
Data Driven Approach for Weight Restricted Data Envelopment Analysis Models With Single Output
(2023) Kurt, Şenol; Yüksel, Mustafa Kerem; Dinçergök, Burcu
This study aims to explore whether a machine learning algorithm can be used to make improvements in assessing unit efficiencies via a data envelopment analysis (DEA) model. In this study, a DEA model is used to calculate the efficiency scores of Desicion Making Units (DMUs). Then, an ML algorithm is trained that aims to predict the single output using inputs. Ranking of input features based on relative feature importance values obtained from the trained ML model is fed to the DEA model as weight restrictions. As a result, the two DEA models are compared with each other. ML-based insights (feature importance ranking) improve the DEA model in the direction of fewer zero weights. The additional weight restrictions are data depdendent, and hence realistic. As a novel approach, this study proposes the use of machine learning-based feature importance values to overcome a limitation of a DEA model.