Search

Stress is beneficial when a person is focused, awake and alert. However, exposure to high doses of stress harms a person's health. For this reason, it is important to detect stress and begin relief as soon as possible. In this study, soft keyboard typing behaviors with touchscreen panel, gravity, linear acceleration, and gyroscope data obtained from smartphones were examined. It was observed that there was a correlation between the results obtained and typing behaviors and the stress levels of individuals. In this context, an expanded data set was created. In order to detect stress with higher accuracy, a Mahalanobis distance-based outlier detection approach was applied. Subsequently, a structure was created by combining the ReliefF feature selection method and machine learning techniques to identify efficient features and perform classification. The results obtained by cleaning outlier data showed that the created structures achieved success with high accuracy. In addition, outlier detection and cleaning increased the classification success by 1.77 points., Stres kişinin odaklanması, uyanık kalması ve tetikte olması durumlarında fayda sağlamaktadır. Fakat yüksek dozda strese maruz kalmak kişinin sağlığına zarar vermektedir. Bu nedenle stresin tespit edilip en kısa sürede rahatlamaya geçilmesi önemlidir. Bu çalışmada, akıllı telefondan elde edilen dokunmatik panel, yerçekimi, doğrusal ivme ve jiroskop verileri ile yazma davranışları incelenmiştir. Elde edilen sonuçlardan yazma davranışları ile kişilerin stres seviyeleri arasında bir bağlantı olduğu görülmüştür. Bu kapsamda genişletilmiş bir veri kümesi oluşturulmuştur. Stresin daha yüksek doğrulukta tespit edilebilmesi için Mahalanobis uzaklığı tabanlı bir aykırı veri tespiti yaklaşımı uygulanmıştır. Devamında, verimli özniteliklerin tespit edilerek sınıflandırma gerçekleştirilmesi için ReliefF öznitelik seçimi yöntemi ve makine öğrenmesi teknikleri kombine edilerek bir yapı oluşturulmuştur. Aykırı verilerin temizlenerek elde edilen sonuçlar, oluşturulan yapıların yüksek doğrulukta başarı yakaladığını göstermiştir. Ek olarak aykırı veri tespiti ve temizliği, sınıflandırma başarısını 1.77 puan artırmıştır.

Banka Kartı, Kredi Kartı ve İnternetten Kart ile Yapılan Ödemelerin enflasyondan arındırılmış (reel) değerleri ile (2003-2020) yılları arasındaki sektörel bileşimini ortaya koymak, benzeşen ve ayrışan sektörleri tespit ederek ödeme sistemlerinin etkinliğinin arttırılmasını sağlamak maksadıyla, korelasyon matrisleri ile İkili Yükler (Ortogonal (Dikey) ve Diagonal (Köşegen)) matrisler oluşturulmuştur. Matrislerden elde edilen özdeğerler, özvektörler (yükler) ve sıradan korelasyon sonuçları ikili yük grafik düzleminde birleştirilerek ve Mahalanobis mesafeleri kullanılarak sütunların şekilleri özdeğerlere eşitlenmekte ve vektörler arasındaki açıların kosinüsleri değişkenler arasındaki korelasyonlara eşit olacak şekilde gözlem ölçeklendirmesi olmadan, sonuçlar yalnızca sabit bir orantılılık içerisinde yorumlanmaktadır. Özdeğerler, değerler, özdeğerlerdeki ileriye doğru fark, açıklanan toplam varyans oranı gibi sonuçlar ışığında, kart ile ödeme yapılan sektörlerden bazılarının diğer sektörlerden ciddi ölçüde ayrıştığı ve pozitif veya negatif yükler (varyanslar) taşıyarak kümelendiği tespit edilmiştir., In order to reveal the sectoral composition between the years (2003-2020) with the inflation-free (real) values of the Payments made by Debit Card, Credit Card and Internet Card, and to increase the efficiency of payment systems by identifying similar and differentiated sectors, Binary Loads (Orthogonal (Vertical) and Diagonal (Diagonal) matrices are created. The eigenvalues, eigenvectors (charges) and ordinary correlation results obtained from the matrices are combined in the plane of the binary load graph and the shapes of the columns are equalized to the eigenvalues using Mahalanobis distances, and without observation scaling so that the cosines of the angles between the vectors are equal to the correlations between the variables, the results are interpreted only in a constant proportionality. In the light of results such as eigenvalues, values, forward difference in eigenvalues, and the total variance ratio explained, it was determined that some of the sectors paid by card differ significantly from other sectors and clustered by carrying positive or negative loads (variances).

Aykırı değer belirleme yöntemleri, tüm bilimsel çalışmalarda elde edilecek sonuçların güvenilir olması açısından önemli bir temel oluşturmaktadır. Çok değişkenli veri setlerinde aykırı değer belirleme yöntemlerinin kullanımı tek değişkenli duruma göre daha zor ve karışıktır.Bu tez çalışmasının amacı, çok değişkenli veri setlerinde aykırı değer belirleme yöntemlerinden BACON (Blocked Adaptive Computationally Efficient Outlier Nominators) algoritması, Hızlı Minimum Kovaryans Determinantı yöntemi (Fast-MCD) ve Robust Mahalanobis uzaklığı yöntemini incelemektir. Bu amaçla; çok değişkenli normal, çok değişkenli Cauchy ve çok değişkenli Laplace dağılımlarından farklı örneklem büyüklüğü ve değişken sayısına göre veriler türetilerek, aykırı değer belirleme yöntemlerinin performansları karşılaştırılmıştır. Performans değerlendirmesi için ölçüt olarak yanlış negatif ve yanlış pozitif değerler kullanılmıştır. Bu çalışmanın sonucunda, yöntemlerin performansının dağılım tipine göre farklılık gösterdiği tespit edilmiştir. Yanlış negatif ölçütü açısından BACON yönteminin, yanlış pozitif ölçütü açısından Robust Mahalanobis uzaklığı yönteminin diğer yöntemlerden daha iyi performans gösterdiği belirlenmiştir. Outlier detection methods constitute an important basis in terms of obtaining reliable results in all scientific studies. Determining outliers in multivariate data sets is more difficult and complicated than in univariate case.The aim of this thesis is to evaluate BACON (Blocked Adaptive Computationally Efficient Outlier Nominators) algorithm, Fast Minimum Covariance Determinant method (Fast-MCD) and Robust Mahalanobis distance method in multivariate data sets. For this purpose, outlier detection methods were compared by deriving data from multivariate normal, multivariate Laplace and multivariate Cauchy distributions with different sample size and number of variable. False negative and false positive values were used to evaluate performances.As a result of this work, it is determined that performance of methods varies according to distribution type. In terms of false negatives, BACON method and in terms of false positives, Robust Mahalanobis distance method were determined to perform better than the other methods. 117