Kılıçoğlu, Şevval
Loading...
Name Variants
Kiliçoğlu, Şevval
Şevval, Kılıçoğlu
Ş., Kılıçoğlu
S.,Kilicoglu
Kilicoglu S.
Kılıçoğlu,Ş.
K.,Şevval
Ş., Kiliçoğlu
Kilicoglu,S.
Kilicoglu, Sevval
S., Kilicoglu
Ş.,Kılıçoğlu
K.,Sevval
Sevval, Kilicoglu
Kılıçoğlu Ş.
Kılıçoğlu, Şevval
K., Şevval
Ş.,Kiliçoğlu
K., Sevval
Şevval, Kiliçoğlu
Şevval, Kılıçoğlu
Ş., Kılıçoğlu
S.,Kilicoglu
Kilicoglu S.
Kılıçoğlu,Ş.
K.,Şevval
Ş., Kiliçoğlu
Kilicoglu,S.
Kilicoglu, Sevval
S., Kilicoglu
Ş.,Kılıçoğlu
K.,Sevval
Sevval, Kilicoglu
Kılıçoğlu Ş.
Kılıçoğlu, Şevval
K., Şevval
Ş.,Kiliçoğlu
K., Sevval
Şevval, Kiliçoğlu
Job Title
Araştırma Görevlisi
Email Address
sevval.kilicoglu@atilim.edu.tr
ORCID ID
Scopus Author ID
Turkish CoHE Profile ID
Google Scholar ID
WoS Researcher ID
Scholarly Output
3
Articles
2
Citation Count
0
Supervised Theses
1
3 results
Scholarly Output Search Results
Now showing 1 - 3 of 3
Article Citation Count: 0A NOVEL COMPARISON OF SHRINKAGE METHODS BASED ON MULTI CRITERIA DECISION MAKING IN CASE OF MULTICOLLINEARITY(American Institute of Mathematical Sciences, 2024) Kılıçoğlu,Ş.; Yerlikaya-Özkurt,F.; Industrial EngineeringStreszczenie. Data analysis is very important in many fields of science. The most preferred methods in data analysis is linear regression due to its simplicity to interpret and ease of application. One of the assumptions accepted while obtaining linear regression is that there is no correlation between the independent variables in the model which refers to absence of multicollinearity. As a result of multicollinearity, the variance of the parameter estimates will be high and this reduces the accuracy and reliability of the linear models. Shrinkage methods aim to handle the multicollinearity problem by minimizing the variance of the estimators in linear model. Ridge Regression, Lasso, and Elastic-Net methods are applied to different simulated data sets with different characteristics and also real world data sets. Based on performance results, the methods are compared according to multi-criteria decision making method named TOPSIS, and the order of preference is determined for each data set. © (2024), (American Institute of Mathematical Sciences). All rights reserved.Article Citation Count: 0Age replacement policy for heterogeneous parallel systems(Elsevier, 2024) Ozdemir, Irem Bulanik; Kilicoglu, Sevval; Eryilmaz, Serkan; Industrial EngineeringThe optimization policy on age replacement mostly focuses on systems comprised of identical components. In this paper, both discrete and continuous time age replacement policies are considered by relaxing the assumption of identical components and working with heterogeneous parallel system, i.e. system with not necessarily identical components. In particular, necessary conditions are obtained for the existence and uniqueness of optimal replacement cycle/time for the parallel system with two nonidentical components under the proposed policy. The extension of the results to a system with more than two components is also presented.(c) 2023 Elsevier B.V. All rights reserved.Master Thesis Çoklu bağlantı sorunu durumunda küçültme yöntemlerinin karşılaştırılması ve değerlendirilmesi(2022) Kılıçoğlu, Şevval; Özkurt, Fatma Yerlikaya; Industrial EngineeringMühendislik, tıp, doğa ve sosyal bilimler gibi uygulamalı bilimlerin birçok alanında veri analizi ve veri yorumlamanın kullanımı artarak önem kazanmaktadır. Bu amaç doğrultusunda veri toplamak, analiz etmek ve yorumlamak için istatistiksel yöntemler kullanılmaktadır. Basitliği ve kolay yorumlanması nedeniyle, en çok tercih edilen istatistiksel analiz yöntemlerinden biri, çoklu doğrusal regresyondur. Bu regresyon modelleri, birden fazla bağımsız değişken ile bir bağımlı değişken arasındaki ilişkiyi tanımlar. Ancak bazen çoklu doğrusal regresyon modelinin uygulanacağı veri setlerinde bağımsız değişkenler arasında çoklu doğrusal bağlantı (iç ilişki) olduğu gözlemlenebilir. Bu da, modelde tahmin edilen katsayıların varyansının büyük ve yanlılıklarının düşük olmasına neden olmaktadır. Bu gibi durumlarda model tahminleri doğru sonuç vermeyebilir ve modelin güvenilirliği düşebilir. Veri setindeki değişkenler arasında çoklu doğrusal bağlantı varsa bunun önceden belirlenmesi büyük önem taşımaktadır. Bu amaç doğrultusunda kullanılan çok sayıda çoklu doğrusal bağlantı tespit etme yöntemi ve bu sorunu çözmek için geliştirilmiş çeşitli yöntemler bulunmaktadır. Çoklu doğrusal bağlantı problemini çözmek için en popüler ve güçlü yöntemler küçültme yöntemleridir. Küçültme yöntemleri, modelde tahmin edilen parametrelerin varyansını azaltarak çoklu doğrusal bağlantı sorununu en aza indirmeyi amaçlar. En çok tercih edilen küçültme yöntemlerinden olan Ridge Regresyon, Lasso ve Elastik Net modeldeki değişkenlerin katsayılarını direkt sıfır yapar veya sıfıra çok yaklaştırır. Bu tez çalışmasında, Ridge Regresyon, Lasso ve Elastik Net, farklı özelliklere sahip dokuz farklı simüle edilmiş veri setine uygulanmıştır. Simüle edilmiş veri setlerindeki bazı bağımsız değişkenler arasında çoklu doğrusal bağlantıyı oluşturmak için Copula fonksiyonu kullanılmıştır. Daha sonra, yukarıda bahsedilen küçültme yöntemlerinin tümü, üç tane gerçek hayat veri setine de uygulanmıştır. Bu veri setleri, boyutlarına göre küçük, orta ve büyük olarak sınıflandırılan simüle edilmiş veri setleri ile eşleştirilmiştir. Simüle edilmiş veri setlerine uygulanan küçültme yöntemlerinin doğruluğunu ölçmek için 10 Katlamalı Çapraz Doğrulama yaklaşımı uygulanmıştır. Bunun yanında, gerçek hayat veri setleri için, veri setini yalnızca bir eğitim ve bir test verisine ayırmaya dayanan hold-out yöntemi tercih edilmiştir. Tüm modeller oluşturulduktan sonra, hangi özelliklere sahip veri setlerinde hangi yöntemin daha iyi sonuç verdiğini belirlemek için her bir yöntem özelinde bazı performans ölçütleri hesaplanmıştır. Ortalama kare hatası (MSE), bağımsız değişken sayısına bağlı ortalama kare hatası (PMSE), R-kare, ortalama mutlak hata (MAE) ve açıklanan varyans, karar verme aşamasında kullanılan performans ölçütleridir. Performans sonuçlarından yola çıkarak, küçültme yöntemleri çok kriterli karar verme yöntemlerinden biri olan TOPSIS ile karşılaştırılmış ve her bir veri seti için yöntemlerin tercih sırası belirlenmiştir. Tüm performans ve TOPSIS sonuçları incelendiğinde, genellikle küçük veri setlerinde en iyi sonuçları ridge regresyonunun verdiği, veri seti büyüdükçe yani karmaşıklık arttıkça küçültme yöntemlerinin tahmin edilen katsayıların varyansını azaltmak için değişken seçimi yapma eğiliminde olduğu ve bu yüzden de lasso ve elastik net modellerinin daha iyi sonuçlar verdiği görülmektedir. Modeller arasında genel bir sıralama yapılacak olursa lasso, elastik net ve ridge regresyonu olarak sıralanabilir.
