Makine öğrenmesi teknikleri kullanılarak toksik alg ve biyotoksin varlığının tahmini
Yükleniyor...
Dosyalar
Tarih
2019
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu tezde deniz suyunda yapılan analizlerdeki toksik alg türlerinin, midye gibi kabuklu deniz ürünlerinde tespit edilen biyotoksin ile arasında var olduğu düşünülen korelasyonun ortaya çıkarılması amaçlanmış olup, bunun yanında su ve midye üzerinde yapılan analizlerin bu duruma etkisi incelenmiştir. Midyelerde biriken biyotoksin, midyeyi tüketen insanlar için ciddi bir tehlikedir. Biyotoksin ve toksik fitoplankton varlığının tahmini de bu çalışmanın temelindedir. Üretim şartlarının sağlanması için zamana, deniz suyu ve midye analizleri için ise yüksek harcamalara ihtiyaç duyulmaktadır. Bu çalışmada ise biyotoksin ve toksik fitoplankton varlığının tahmini ile bu harcamaların önüne geçilebilineceği düşünülmektedir. Burada yapılan tahminler makine öğrenmesi teknikleri ile gerçekleştirilmiştir. Bu çalışma için yaklaşık 3 yıllık bir veri ele alınmıştır. Veri içeriğinde midyeden ve sudan alınan örneklerin fiziksel, kimyasal ve biyolojik analiz sonuçları bulunmaktadır. Mevcut veriye bakıldığında bir dengesizlik gözlenmektedir. Yani biyotoksin varlığına çok az rastlanmıştır. Bu durum literatürde "dengesiz veri" (imbalanced data) olarak adlandırılmaktadır. Dolayısıyla veri dengeli bir hale getirildikten sonra üzerinde makine öğrenmesi çalışmaları yapılmıştır. Yapılan çalışmalar neticesinde en başarılı tahmin, Rastgele Orman metodu ile elde edilmiştir.
In this thesis, it is aimed to reveal the correlation between the toxic algae species and the biotoxin detected in shellfish such as mussels in seawater analysis. In addition, the effect of water and mussel analysis on this situation was examined. The accumulation of biotoxins in mussels is a serious danger for people who consume mussels. Estimation of the presence of biotoxin and toxic phytoplankton is also the basis of this study. Time is needed to meet production conditions and high expenditure is required for sea water and mussel analyzes. In this study, it is thought that these expenditures can be prevented by estimating the presence of biotoxin and toxic phytoplankton. Estimates made here are made by machine learning techniques. For this study, a data of approximately 3 years has been discussed. Physical, chemical and biological analysis results of samples from mussel and water is available in the data content. An imbalance is observed in the current data. In other words, the presence of biotoxin is very rare. This is called imbalanced data in the literature. Therefore, after the data was stabilized, machine learning studies were carried out. As a result of the studies, the most successful estimation was obtained by the Random Forest method.
In this thesis, it is aimed to reveal the correlation between the toxic algae species and the biotoxin detected in shellfish such as mussels in seawater analysis. In addition, the effect of water and mussel analysis on this situation was examined. The accumulation of biotoxins in mussels is a serious danger for people who consume mussels. Estimation of the presence of biotoxin and toxic phytoplankton is also the basis of this study. Time is needed to meet production conditions and high expenditure is required for sea water and mussel analyzes. In this study, it is thought that these expenditures can be prevented by estimating the presence of biotoxin and toxic phytoplankton. Estimates made here are made by machine learning techniques. For this study, a data of approximately 3 years has been discussed. Physical, chemical and biological analysis results of samples from mussel and water is available in the data content. An imbalance is observed in the current data. In other words, the presence of biotoxin is very rare. This is called imbalanced data in the literature. Therefore, after the data was stabilized, machine learning studies were carried out. As a result of the studies, the most successful estimation was obtained by the Random Forest method.
Açıklama
Anahtar Kelimeler
Makine Öğrenmesi, Rastgele Orman, Dengesiz Veri, Tahmin, Kabuklu Deniz Ürünleri, Biyotoksin, Machine Learning, Random Forest, Imbalanced Data, Prediction, Shellfish, Biotoxin
