Bu çalışma, derin sinir ağlarında en iyi sınıflandırma modelini bulmak amacıyla gerçekleştirilmiştir. Bu amaçla, optimizasyon yöntemi (Sgd, Adagrad, Rmsprop, Adam ve Nadam), aktivasyon fonksiyonu (Tanh ve ReLU) ve nöron sayılarının kombinasyonları kullanılarak 20 farklı model oluşturulmuştur. Oluşturulan model kombinasyonlarının performansları karşılaştırılarak, sınıflandırma için en iyi model belirlenmiştir. Sonuçlara göre; modellerin performanslarının parametrelere bağlı olarak değişkenlik gösterdiği, en başarılı modelin gizli katmanında 64 nöron bulunduğu, aktivasyon fonksiyonunun ReLU olduğu ve optimizasyon yöntemi olarak da Rmsprop kullanıldığı belirlenmiştir (%92 doğruluk). Bununla beraber, en düşük başarı oranıyla sınıflandırma yapan modelin 32 nöronlu, ReLU aktivasyon fonksiyonlu ve Sgd optimizasyon yöntemli model olduğu belirlenmiştir (% 70 doğruluk). Ayrıca tüm sonuçlar göz önüne alındığında; Rmsprop, Adam ve Nadam optimizasyon yöntemlerinin diğer iki yönteme göre, ReLU aktivasyon fonksiyonunun ise Tanh'a göre daha başarılı olduğu belirlenmiştir. Sonuç olarak derin öğrenme çalışmalarında model oluşturulurken; optimizasyon algoritmalarının, aktivasyon fonksiyonlarının ve nöron sayılarının farklı seçeneklerine göre model performanslarını denemek mümkündür. Ayrıca oluşturulan modelde, optimizasyon yöntemlerinin farklı parametrelerinin kombinasyonlarıyla çalışıldığında, veri setine daha uygun mimari elde edilmektedir.

Bu çalışmada, eksik gözlem yapısının şansa bağlı ve tamamen şansa bağlı olması durumunda çoklu değer atama yöntem performansının, genel doğrusal karışık model yaklaşımında değerlendirilmesi amaçlanmıştır. Uygulama verisini, 7 aylık yaşta toplam 77 baş Norduz erkek toklusu oluşturmuştur. Kesimden sonra, beş farklı zaman noktasında ölçülen pH değerleri, bağımlı değişken olarak belirlenmiştir. Bununla beraber modellere bağımsız değişken olarak, sıcak karkas ağırlığı, kas glikojen düzeyi ve açlık süreleri dahil edilmiştir. Eksik gözlem içermeyen bağımlı değişkende, belirli oranlarda (%10 ve %25) gözlemlerin silinmesiyle tamamen şansa bağlı (MCAR-missing completely at random) ve şansa bağlı (MAR-missing at random) olmak üzere iki eksik gözlem yapısı oluşturulmuştur. Sonrasında eksik gözlem yapılarına sahip veri setlerinde, çoklu atama yöntemi (MI-multiple imputation) uygulanarak tam veri setleri elde edilmiştir. MI yöntemi kullanılarak tamamlanan veri setlerine, genel doğrusal karışık model uygulanarak elde edilen sonuçlar, tam veriye ilişkin sonuçlarla karşılaştırılmıştır. Tam veri ve MI veri setlerine uygulanan karışık modelde varyans-kovaryans yapıları aynı, parametre tahmin sonuçları ve standart hatalar ise tam veriye oldukça yakın sonuçların elde edilmesini sağlamıştır. Sonuç olarak, bu çalışmada her iki eksik gözlem yapısı ve oranlarında, eksik gözlem atama yöntemi olarak MI'ın tercih edilmesi durumunda karışık modelde güvenilir bilgilerin elde edilmesi sağlanmıştır. The purpose of this study was to evaluate the performance of multiple imputation method in case that missing observation structure is at random and completely at random from the approach of general linear mixed model. The application data of study was consisted of a total 77 heads of Norduz ram lambs at 7 months of age. After slaughtering, pH values measured at five different time points were determined as dependent variable. In addition, hot carcass weight, muscle glycogen level and fasting durations were included as independent variables in the model. In the dependent variable without missing observation, two missing observation structures including Missing Completely at Random (MCAR) and Missing at Random (MAR) were created by deleting the observations at certain rations (10% and 25%). After that, in data sets that have missing observation structure, complete data sets were obtained using MI (multiple imputation). Evaluation of Multiple Imputation in Missing Data Analysis: An Application on Repeated Measurement Data in Animal Science A R T I C L E I N F O A B S T R A C TThe results obtained by applying general linear mixed model to the data sets that were completed using MI method were compared to the results regarding complete data. In the mixed model which was applied to the complete data and MI data sets, results whose covariance structures were the same and parameter estimations and standard estimations were rather close to the complete data are obtained. As a result, in this study, it was ensured that reliable information was obtained in m...

No abstract

in 2017. He started his Ph.D. studies in the same department in 2017. He is still continuing his Ph.D. education and working as a Mathematics teacher at Ipekyolu Anatolian High School. He carries out machine learning studies in the field of animal husbandry.