Kayıp IoT Verilerinin Makine Öğrenmesi Teknikleri ile Tahmini

Authors : Fatma AZİZOĞLU, Emre ÜNSAL

Pages : 1388-1397

Doi:10.31202/ecjse.1135485

View : 18 | Download : 13

Publication Date : 2022-12-31

Article Type : Research Paper

Abstract :Nesnelerin İnterneti insert ignore into journalissuearticles values(IoT); tabanlı endüstriyel uygulamalardan toplanan veriler her geçen gün giderek artmaktadır. Bununla birlikte, IoT cihazlarındaki arıza ve iletişim kopukluğu sebebi ile toplanan veriler gürültülü, belirsiz ve eksik olabilmektedir. Bu problemler, veri üretimi, kalitesi, işlenmesi ve analizleri için kritik bir konu haline gelmiştir. Bu çalışma kapsamında kullanılan veri setleri, Sivas Numune Hastanesi tıbbi atıkları evsel atığa dönüştüren su nötralizatör sisteminden gerçek zamanlı toplanarak oluşturulmuştur. Hastanelerde bulunan tıbbi sıvı atıklar kanalizasyona aktarılmadan önce nötralizasyon cihazları ile pH değişikliği yoluyla kimyasal nötralizasyon işlemine maruz bırakılmaktadır. Bu anlamda, tıbbi atık nötralizasyon sistemindeki pH değerlerinin gözlemlenmesi çevrenin korunması adına oldukça önemlidir. Bu kapsamda, farklı miktarlarda eksiltilerek oluşturulan iki veri seti ile kayıp pH verilerinin tahmini için Lineer Regresyon insert ignore into journalissuearticles values(LR);, Destek Vektör Makineleri insert ignore into journalissuearticles values(DVM);, K-En Yakın Komşuluk insert ignore into journalissuearticles values(KNN);, Rastgele Orman insert ignore into journalissuearticles values(RO);, Karar Ağacı insert ignore into journalissuearticles values(KA); ve Adaboost olmak üzere altı farklı makine öğrenmesi algoritması kullanılmıştır. Makine öğrenmesi algoritmalarının değerlendirilmesinde ortalama mutlak hata insert ignore into journalissuearticles values(Mean Absolute Error, MAE);, ortalama karesel hata insert ignore into journalissuearticles values(Mean Squared Error, MSE); ve kök ortalama kare hata insert ignore into journalissuearticles values(Root Mean Square Error, RMSE); performans metrikleri kullanılmıştır. Gerçekleştirilen çalışma sonucunda iki farklı veri seti içinde DVM algoritmasının daha başarılı olduğu gözlemlenmiştir. Yapılan değerlendirme sonucu, makine öğrenmesi algoritmalarının kayıp pH verilerinin tahmininde oldukça başarılı olduğunu göstermektedir.
Keywords : Kayıp veri tahmini, kayıp veri doldurma, nesnelerin interneti, makine öğrenmesi, tıbbi atık