Toplu Yemek Üretiminde Günlük Talep Tahmini için Alternatif Bir Yaklaşım: Öğrenci Regresyon

Bu çalışmada, toplu yemek üretilen yerlerde günlük yemek talebini tahmin etmek ve dolayısıyla aşırı üretimden kaçınmak ve daha azgıda üretimi ile yemeklerin bitmesini önlemek amaçlanmıştır. Bunun için gauss süreç regresyon (GSR) ve regresyon ağaçları olmaküzere iki farklı regresyon modeli tasarlanmış ve modellerin başarısı karşılaştırılmıştır. Araştırmada, üniversite yemekhanesinden eldeedilen veriler kullanılarak yemek yiyenlerin sayısı tahmin edilmiştir. Geliştirilen tahmin modellerinden GSR modelinde rasyonelkuadratik GSR, kare üstel GSR, matern 5/2 GSR, üstel GSR yöntemleri; regresyon ağaçları modelinde ise fine tree, medium tree, coarsetree yöntemleri kullanılmıştır. En iyi sonuçlar üstel GSR ile fine tree modellerinden elde edilmiştir.

An Alternative Approach for Daily Demand Prediction in Mass Meal Production: Regression Learner

In this paper, it is aimed to estimate the daily demand for meal in the places where mass food is produced and thus to avoid overproduction and to prevent the end of meals with less food production. For this purpose, two different regression models were designed as gauss process regression (GPR) and regression trees and the success of the models were compared. In the study, the number of people eating was estimated using data obtained from the university dining hall. For the developed GPR prediction model rational quadratic GPR, square exponential GPR, matern 5/2 GPR and exponential GPR methods were used. In the regression trees prediction model fine tree, medium tree and coarse tree methods were used. The best results were obtained from the exponential GPR and fine tree models.

PDF

___

Akay, Ç. E. (2018). Ekonometride Yeni Bir Ufuk: Büyük Veri ve Makine Öğrenmesi. Sosyal Bilimler Araştırma Dergisi, 7(2), 41-53.
Deniz, G, & Koç, S. (2019). Türkiye’de Ekonomik Büyüme ile Bazı Makro Değişkenler Arasındaki İlişki: Çoklu Doğrusal Regresyon Modeli Analizi.
Zhang, N, Xiong, J, Zhong, J, & Leatham, K. (2018, June). Gaussian Process Regression Method for Classification for HighDimensional Data with Limited Samples. In 2018 Eighth International Conference on Information Science and Technology (ICIST) (pp. 358-363). IEEE
Zhang, N, & Leatham, K. (2018, December). Neurodynamics-Based Nonnegative Matrix Factorization for Classification. In International Conference on Neural Information Processing (pp. 519-529). Springer, Cham.
Fairbrother, J, Nemeth, C, Rischard, M, & Brea, J. (2018). GaussianProcesses. jl: A Nonparametric Bayes Package for the Julia Language. arXiv preprint arXiv:1812.09064.
Sutton, C. D. (2005). Classification and Regression Trees, Bagging, and Boosting. Handbook of statistics, 24, 303-329
Kayri, M, & Boysan, M. (2008). Bilişsel Yatkınlık ile Depresyon Düzeyleri İlişkisinin Sınıflandırma ve Regresyon Ağacı Analizi ile İncelenmesi. Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, 34(34), 168-177.
Kavzoğlu, T, Şahin, E. K, & Çölkesen, İ. (2012). Heyelan Duyarlılığının İncelenmesinde Regresyon Ağaçlarının Kullanımı: Trabzon Örneği. Harita Dergisi, 147(3), 21-33.
Torgo, L. (1997, July). Functional Models for Regression Tree Leaves. In ICML (Vol. 97, pp. 385-393).
Şengür, D, & Tekin, A. (2013). Öğrencilerin Mezuniyet Notlarının Veri Madenciliği Metotları ile Tahmini. Bilişim Teknolojileri Dergisi, 6(3), 7-16.
Witten, I. H, Frank, E, Hall, M. A, & Pal, C. J. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.