Page 72 - Çevre Şehir ve İklim Dergisi - Sayı 4

Yapay Zekâ Tabanlı Algoritmalar İle
Kentsel Dönüşüm Tahminlerinin Yapılması

Tablo 11. Ruhsat sayısı değişkeni için geliştirilen YSA tabanlı modellerin eğitim,
doğrulama ve test veri setlerine ait performans istatistikleri

Eğitim ANN_5 ANN_10 ANN_15 ANN_20 GWO_5 GWO_10GWO_15 GWO_20
RMSE 2956 2858 2908 2929 9939 15480 5800 9309
(adet)

MAE (adet) 2404 2252 2287 2337 7444 12485 4509 7070

NS 0,85 0,86 0,86 0,86 -0,67 -3,04 0,43 -0,46

Doğrulama ANN_5 ANN_10 ANN_15 ANN_20 GWO_5 GWO_10GWO_15 GWO_20

RMSE 7589 7918 7949 7890 5300 16887 7498 5441
(adet)

MAE (adet) 5325 5526 5762 5451 4346 12880 5256 4444

NS 0,41 0,36 0,35 0,36 0,71 -1,92 0,42 0,70

Test ANN_5 ANN_10 ANN_15 ANN_20 GWO_5 GWO_10GWO_15 GWO_20

RMSE 3599 3534 3628 3620 9537 15428 5758 9311
(adet)

MAE (adet) 2997 2887 3152 2896 8242 11055 4847 8096

NS 0,74 0,75 0,74 0,74 -0,83 -3,79 0,33 -0,74
Tablo 11 incelendiğinde GWO algoritması kullanılarak kurulan modellere ait
performans istatistiklerinin doğrulama veri setlerinde iyi sonuçlar verdiği, ancak
eğitim ve test veri setleri açısından bakıldığında ise yalın YSA modellerinin
daha iyi performanslar sergilediği görülmektedir. Genel bir değerlendirme
yapıldığında YSA_GWO’nun YSA modellerine ait performansları iyileştirmediği
görülmektedir. Farklı nöron sayıları kullanılarak geliştirilen modellerden ise
en yüksek doğruluğa sahip modelin 5 nöron kullanılarak kurulan ANN_5
modeli olduğu belirlenmiştir. Regresyon tabanlı modeller ile YSA tabanlı
modeller karşılaştırıldığında TreeNet yöntemi kullanılarak geliştirilen modelin
YSA modellerine kıyasla daha yüksek performans gösterdiği görülmektedir.
Bu karşılaştırmanın daha net görülebilmesi için ruhsat sayısı değişkenine ait
zaman serileri hazırlanmıştır (Şekil 5).

Yıl 2 / Sayı 4 / Temmuz 2023 57