Research Article
BibTex RIS Cite

Askıda Katı Madde Konsantrasyonunun Tahmininde Yığma Modelleri ve Hiperparametre Optimizasyonunun Etkisi: Filyos Çayı Örneği

Year 2025, Volume: 15 Issue: 2, 97 - 108, 21.07.2025

Rukiye Uzun Arslan , Berna Aksoy , İrem Şenyer Yapıcı

Abstract

Canlı yaşamının devamlılığı ve ekosistem dengesinin sürdürülebilirliği için hayati bir unsur olan su, çevresel ve insan kaynaklı faktörlerin etkisiyle fiziksel ve kimyasal özelliklerinde değişimlere uğrayabilmektedir. Su kalitesinin temel göstergelerinden biri olan askıda katı madde (AKM) konsantrasyonunun doğru bir şekilde tahmin edilmesi, sürdürülebilir su yönetimi açısından kritik öneme sahiptir. Bu çalışmada, Batı Karadeniz Havzası’ndaki Filyos Çayı Alt Havzası’na ait su kalitesi verileri kullanılarak, AKM konsantrasyonunun tahmini için yığma modeli temelli bir yaklaşım önerilmiştir. Modelde, temel model olarak rasgele orman (RO) ve gradyan artırma (GA) algoritmaları, meta-model olarak ise K-en yakın komşu (KNN), çok katmanlı algılayıcı (ÇKA), kategorik artırma (CatBoost), uyarlamalı artırma (AdaBoost) ve Torbalama (Bagging) algoritmaları kullanılmıştır. Model performansı, ortalama karesel hata (MSE), kök ortalama kare hatası (RMSE), ortalama mutlak hata (MAE), ortalama mutlak yüzde hata (MAPE) ve korelasyon katsayısı (R²) gibi metriklerle değerlendirilmiştir. Sonuçlara göre, en yüksek R² değeri (%87) RO-GA+CatBoost modeli tarafından elde edilmiştir. Bu model, diğer kombinasyonlara kıyasla daha düşük hata değerleri (MSE: 143.85, RMSE: 11.99, MAE: 9.03, MAPE: 0.21) ile en iyi tahmin performansını sergilemiştir. Hiperparametre optimizasyonu sürecinde Izgara Arama (Grid Search) ve Rasgele Arama (Randomized Search) yöntemleri kullanılarak modellerin performansı daha da iyileştirilmiştir. Özellikle RO-GA+CatBoost modeli, optimizasyon sonrası R² değerini %89’a çıkararak en yüksek performansı göstermiştir. Bu çalışma, doğru algoritma seçimi ve hiperparametre optimizasyonunun model performansını artırmada kritik bir rol oynadığını ortaya koymuştur. CatBoost ve KNN algoritmaları, uygun hiperparametre optimizasyon teknikleri (örneğin Grid Search veya Randomized Search) ile entegre edildiğinde, modelin tahmin doğruluğu üzerinde anlamlı bir iyileşme sağlamaktadır. Gerçekleştirilen optimizasyon süreçleri, modelin karar sınırlarını veri setinin yapısına daha iyi uyarlamasına olanak tanıyarak genelleme performansını artırmakta ve aşırı öğrenme riskini azaltmaktadır. Elde edilen bulgular, benzer regresyon problemlerinde algoritma seçimi ve optimizasyon adımlarının titizlikle planlanması gerektiğini ortaya koymaktadır.

Keywords

Askıda katı madde (AKM) hiperparametre optimizasyonu makine öğrenmesi regresyon analizi su kalitesi

References

  • Adiat, KAN., Ajayi, OF., Akinlalu, AA., Tijani, IB. 2020. Prediction of groundwater level in basement complex terrain using artificial neural network: a case of Ijebu-Jesa, southwestern Nigeria. Applied Water Science, 10:1-14. DOI: 10.1007/s13201-019-1094-6
  • Akkur, E., Öztürk, AC. 2023.Chronic kidney disease prediction with stacked ensemble-based model. Alfa Mühendislik ve Uygulamalı Bilimler Dergisi, 1(1):50-61.
  • Aksoy, B., Özölçer, İH., Dündar, O., İlhan, S. 2019. Filyos Nehri’ndeki askıda katı madde miktarının yapay sinir ağları ile belirlenmesi. SETSCI-Conference Proceedings, 9:404-407. DOI: 10.36287/setsci.4.6.103
  • Al-Haddad, LA., Jaber, AA., Hamzah, MN., Fayad, MA. 2024.Vibration-current data fusion and gradient boosting classifier for enhanced stat or fault diagnosis in three-phase permanent magnet synchronous motors. Electrical Engineering, 106(3):3253-3268. DOI: 10.1007/s00202-023-02148-z
  • Arslan, RU., Yapıcı, İŞ. 2024. Farklı örnekleme tekniklerine ve farklı sınıflandırıcılara dayanarak kalp yetmezliği tanılı hastaların sağkalımlarının incelenmesi. EMO Bilimsel Dergi, 14(2):35-47.
  • Baghapour, MA., Shooshtarian, MR., Zarghami, M. 2020. Process mining approach of a new water quality index for long-term assessment under uncertainty using consensus-based fuzzy decision support system. Water Resources Management, 34:1155-1172. DOI: 10.1007/s11269-020-02489-5
  • Bayram, A., Kankal, M. 2015. Artificial neural network modeling of dissolved oxygen concentration in a Turkish Watershed. Polish Journal of Environmental Studies, 24(4).
  • Ewusi, A., Ahenkorah, I., Aikins, D. 2021. Modelling of total dissolved solids in water supply systems using regression and supervised machine learning approaches. Applied Water Science, 11(2):1-16. DOI: 10.1007/s13201-020-01352-7
  • Gaur, S., Mishra, A., Gupta, A., Jain, A., Dave, A., Eslamian, S., ...,Graillot, D. 2021. Application of artificial neural network model for the prediction of suspended sediment load in the Large River. Water Resources, 48:565-575. DOI: 10.1134/S0097807821040163
  • Gu, Q., Zhang, Y., Ma, L., Li, J., Wang, K., Zheng, K., ..., Sheng, L. 2016. Assessment of reservoir water quality using multivariate statistical techniques: a case study of Qiandao Lake, China. Sustainability, 8(3):243. DOI: 10.3390/su8030243
  • Gültepe, Y. 2019. Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme. Avrupa Bilim ve Teknoloji Dergisi, 16:8-15. DOI: 10.31590/ejosat.530347
  • Kisi, O., Zounemat-Kermani, M. 2016. Suspended sediment modeling using neuro-fuzzy embedded fuzzy c-means clustering technique. Water resources management, 30:3979-3994. DOI: 10.1007/s11269-016-1405-8
  • Li, Z., Wang, G., Wang, X., Wan, L., Shi, Z., Wanke, H., ..., Uahengo, CI. 2018. Groundwater quality and associated hydrogeochemical processes in Northwest Namibia. Journal of Geochemical Exploration, 186:202-214. DOI: 10.1016/j.gexplo.2017.12.015
  • Lu, H., Ma, X. 2020. Hybrid decision tree-based machine learning models for short-term water quality prediction. Chemosphere, 249:126169. DOI: 10.1016/j.chemosphere.2020.126169
  • Mete, B., Baki, OT., Bayram, A. 2022. Sera Deresi Havzasında (Trabzon) Askıda Katı Madde Hareketinin İncelenmesi ve Değerlendirilmesi. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 27(1): 419-436. DOI: 10.17482/uumfd.970338
  • Moeini, M. 2024. Hyperparametertuning of supervised bagging ensemble machine learning model using Bayesian optimization forestimating storm water quality. Sustainable Water Resources Management, 10(2):83. DOI: 10.1007/s40899-024-01064-9
  • Onan, A. 2018. Parçacık sürüsü eniyilemesine dayalı yığılmış genelleme yöntemi ve metin sınıflandırma üzerinde uygulanması. Academic Platform-Journal of Engıneering and Science, 6(2):134-141.
  • Özcan, T. 2020.Yığınlanmış özdevinimli kodlayıcılar ile göğüs kanserinin sınıflandırılması ve klasik makine öğrenme metotları ile performans karşılaştırması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 36(2):151-160.
  • Rizal, NNM., Hayder, G., Yusof, KA. 2022.Water quality predictive analytics using an artificial neural network with a graphical user interface. Water, 14(8):1221. DOI: 10.3390/w14081221
  • Samantaray S. Sahoo A. 2021. Prediction of suspended sediment concentration using hybrid SVM-WOA approaches. Geocarto International, 37(19):5609-5635. DOI: 10.1080/10106049.2021.1920638
  • Shanmugasundar, G., Vanitha, M., Čep, R., Kumar, V., Kalita, K., Ramachandran, M. 2021. A comparativestudy of linear, random forest and adaboost regressions for modeling non-traditional machining. Processes, 9(11):2015. DOI: 10.3390/pr9112015
  • Singh, P., Hasija, T., Ramkumar, KR. 2024. Leveraging ML with XGBoost, CatBoost and LGBoost classifiers to optimize water quality assessment and prediction. 2024 IEEE International Conference on Information Technology, Electronics and Intelligent Communication Systems (ICITEICS), pp. 1-6, Karnataka, India. DOI: 10.1109/ICITEICS61368.2024.10625322
  • Tiyasha, T., Tran, TM, Yaseen, ZM. 2020. A survey on river water quality modelling using artificial intelligence models: 2000-2020. Journal of Hydrology, 585(3731):124670. DOI: 10.1016/j.jhydrol.2020.124670
  • Varol, M. 2020. Use of water quality index and multivariate statistical methods for the evaluation of water quality of a stream affected by multiple stressors: A case study. Environmental Pollution, 266:115417. DOI: 10.1016/j.envpol.2020.115417
  • Vijay, S., Kamaraj, K. 2021. Prediction of water quality index in drinking water distribution system using activation functions based Ann. Water Resources Management, 35(2):535-553. DOI: 10.1007/s11269-020-02729-8
  • Yadav, A., Chatterjee, S., Equeenuddin, SM. 2018. Prediction of suspended sediment yield by artificial neural network and traditional mathematical model in Mahanadi river basin, India. Sustainable Water Resources Management, 4:745-759. DOI: 10.1007/s40899-017-0160-1
  • Yapıcı, İŞ., Arslan, RU. 2024. Gebelikte anne sağlığı risk gruplarının tahminine yönelik makine öğrenmesi tabanlı bir karar destek sistem tasarımı. Black Sea Journal of Engineering and Science, 7(3):509-520. DOI: 10.34248/bsengineering.1455473
  • Yapici, IS., Erkaymaz, O., Arslan, RU. 2021. A hybrid intelligent classifier to estimate obesity levels based on ERG signals. Physics Letters A, 399:127281. DOI: 10.1016/j.physleta.2021.127281
  • Yildirim, P., Birant, KU., Radevski, V., Kut, A., Birant, D. 2018. Comparative analysis of ensemble learning methods for signal classification. 26th Signal Processing and Communications Applications Conference (SIU), pp. 1- 4, Turkey. DOI: 10.1109/SIU.2018.8404601
  • Zhang, W., Shen, X., Zhang, H., Yin, Z., Sun, J., Zhang, X., Zou, L. 2024. Feature importance measure of a multilayer perceptron based on the presingle-connection layer. Knowledge and Information Systems, 66(1):511-533. DOI: 10.1007/s10115-023-01959-7

The Impact of Stacking Models and Hyperparameter Optimization on the Prediction of Suspended Solid Concentration: A Case Study of Filyos Stream

Year 2025, Volume: 15 Issue: 2, 97 - 108, 21.07.2025

Rukiye Uzun Arslan , Berna Aksoy , İrem Şenyer Yapıcı

Abstract

Water, a vital element for the survival of life and sustainability of ecosystem balance, can undergo changes in its physical and chemical properties under the influence of environmental and anthropogenic factors. Accurate estimation of suspended solids (SSM) concentration, one of the basic indicators of water quality, is of critical importance for sustainable water management. In this study, a stacking model-based approach is proposed for the estimation of SSM concentration using water quality data from the Filyos Stream Sub-basin in the Western Black Sea Basin. In the model, random forest (RF) and gradient boosting (GB) algorithms are used as base models, and K-nearest neighbor (KNN), multilayer perceptron (MLP), categorical boosting (CatBoost), adaptive boosting (AdaBoost), and Bagging algorithms are used as meta-models. Model performance was evaluated with metrics such as mean square error (MSE), root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE), and correlation coefficient (R²). According to the results, the highest R² value (87%) was obtained by the RF-GB+CatBoost model. This model exhibited the best prediction performance with lower error values (MSE: 143.85, RMSE: 11.99, MAE: 9.03, MAPE: 0.21) compared to other combinations. The performance of the models was further improved by using Grid Search and Randomized Search methods in the hyperparameter optimization process. In particular, the RF-GB+CatBoost model showed the highest performance by increasing the R² value to 89% after optimization. This study revealed that the correct algorithm selection and hyperparameter optimization play a critical role in improving model performance. CatBoost and KNN algorithms, integrated with appropriate hyperparameter optimisation techniques (e.g. Grid Search or Randomised Search), provide a significant improvement on the prediction accuracy of the model. The optimisation processes performed allow the model to better adapt its decision boundaries to the structure of the dataset, improving generalisation performance and reducing the risk of overlearning. The findings suggest that algorithm selection and optimisation steps should be carefully planned for similar regression problems.

Keywords

Suspended solids (SS) hyperparameter optimization machine learning regression analysis water quality

References

  • Adiat, KAN., Ajayi, OF., Akinlalu, AA., Tijani, IB. 2020. Prediction of groundwater level in basement complex terrain using artificial neural network: a case of Ijebu-Jesa, southwestern Nigeria. Applied Water Science, 10:1-14. DOI: 10.1007/s13201-019-1094-6
  • Akkur, E., Öztürk, AC. 2023.Chronic kidney disease prediction with stacked ensemble-based model. Alfa Mühendislik ve Uygulamalı Bilimler Dergisi, 1(1):50-61.
  • Aksoy, B., Özölçer, İH., Dündar, O., İlhan, S. 2019. Filyos Nehri’ndeki askıda katı madde miktarının yapay sinir ağları ile belirlenmesi. SETSCI-Conference Proceedings, 9:404-407. DOI: 10.36287/setsci.4.6.103
  • Al-Haddad, LA., Jaber, AA., Hamzah, MN., Fayad, MA. 2024.Vibration-current data fusion and gradient boosting classifier for enhanced stat or fault diagnosis in three-phase permanent magnet synchronous motors. Electrical Engineering, 106(3):3253-3268. DOI: 10.1007/s00202-023-02148-z
  • Arslan, RU., Yapıcı, İŞ. 2024. Farklı örnekleme tekniklerine ve farklı sınıflandırıcılara dayanarak kalp yetmezliği tanılı hastaların sağkalımlarının incelenmesi. EMO Bilimsel Dergi, 14(2):35-47.
  • Baghapour, MA., Shooshtarian, MR., Zarghami, M. 2020. Process mining approach of a new water quality index for long-term assessment under uncertainty using consensus-based fuzzy decision support system. Water Resources Management, 34:1155-1172. DOI: 10.1007/s11269-020-02489-5
  • Bayram, A., Kankal, M. 2015. Artificial neural network modeling of dissolved oxygen concentration in a Turkish Watershed. Polish Journal of Environmental Studies, 24(4).
  • Ewusi, A., Ahenkorah, I., Aikins, D. 2021. Modelling of total dissolved solids in water supply systems using regression and supervised machine learning approaches. Applied Water Science, 11(2):1-16. DOI: 10.1007/s13201-020-01352-7
  • Gaur, S., Mishra, A., Gupta, A., Jain, A., Dave, A., Eslamian, S., ...,Graillot, D. 2021. Application of artificial neural network model for the prediction of suspended sediment load in the Large River. Water Resources, 48:565-575. DOI: 10.1134/S0097807821040163
  • Gu, Q., Zhang, Y., Ma, L., Li, J., Wang, K., Zheng, K., ..., Sheng, L. 2016. Assessment of reservoir water quality using multivariate statistical techniques: a case study of Qiandao Lake, China. Sustainability, 8(3):243. DOI: 10.3390/su8030243
  • Gültepe, Y. 2019. Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme. Avrupa Bilim ve Teknoloji Dergisi, 16:8-15. DOI: 10.31590/ejosat.530347
  • Kisi, O., Zounemat-Kermani, M. 2016. Suspended sediment modeling using neuro-fuzzy embedded fuzzy c-means clustering technique. Water resources management, 30:3979-3994. DOI: 10.1007/s11269-016-1405-8
  • Li, Z., Wang, G., Wang, X., Wan, L., Shi, Z., Wanke, H., ..., Uahengo, CI. 2018. Groundwater quality and associated hydrogeochemical processes in Northwest Namibia. Journal of Geochemical Exploration, 186:202-214. DOI: 10.1016/j.gexplo.2017.12.015
  • Lu, H., Ma, X. 2020. Hybrid decision tree-based machine learning models for short-term water quality prediction. Chemosphere, 249:126169. DOI: 10.1016/j.chemosphere.2020.126169
  • Mete, B., Baki, OT., Bayram, A. 2022. Sera Deresi Havzasında (Trabzon) Askıda Katı Madde Hareketinin İncelenmesi ve Değerlendirilmesi. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 27(1): 419-436. DOI: 10.17482/uumfd.970338
  • Moeini, M. 2024. Hyperparametertuning of supervised bagging ensemble machine learning model using Bayesian optimization forestimating storm water quality. Sustainable Water Resources Management, 10(2):83. DOI: 10.1007/s40899-024-01064-9
  • Onan, A. 2018. Parçacık sürüsü eniyilemesine dayalı yığılmış genelleme yöntemi ve metin sınıflandırma üzerinde uygulanması. Academic Platform-Journal of Engıneering and Science, 6(2):134-141.
  • Özcan, T. 2020.Yığınlanmış özdevinimli kodlayıcılar ile göğüs kanserinin sınıflandırılması ve klasik makine öğrenme metotları ile performans karşılaştırması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 36(2):151-160.
  • Rizal, NNM., Hayder, G., Yusof, KA. 2022.Water quality predictive analytics using an artificial neural network with a graphical user interface. Water, 14(8):1221. DOI: 10.3390/w14081221
  • Samantaray S. Sahoo A. 2021. Prediction of suspended sediment concentration using hybrid SVM-WOA approaches. Geocarto International, 37(19):5609-5635. DOI: 10.1080/10106049.2021.1920638
  • Shanmugasundar, G., Vanitha, M., Čep, R., Kumar, V., Kalita, K., Ramachandran, M. 2021. A comparativestudy of linear, random forest and adaboost regressions for modeling non-traditional machining. Processes, 9(11):2015. DOI: 10.3390/pr9112015
  • Singh, P., Hasija, T., Ramkumar, KR. 2024. Leveraging ML with XGBoost, CatBoost and LGBoost classifiers to optimize water quality assessment and prediction. 2024 IEEE International Conference on Information Technology, Electronics and Intelligent Communication Systems (ICITEICS), pp. 1-6, Karnataka, India. DOI: 10.1109/ICITEICS61368.2024.10625322
  • Tiyasha, T., Tran, TM, Yaseen, ZM. 2020. A survey on river water quality modelling using artificial intelligence models: 2000-2020. Journal of Hydrology, 585(3731):124670. DOI: 10.1016/j.jhydrol.2020.124670
  • Varol, M. 2020. Use of water quality index and multivariate statistical methods for the evaluation of water quality of a stream affected by multiple stressors: A case study. Environmental Pollution, 266:115417. DOI: 10.1016/j.envpol.2020.115417
  • Vijay, S., Kamaraj, K. 2021. Prediction of water quality index in drinking water distribution system using activation functions based Ann. Water Resources Management, 35(2):535-553. DOI: 10.1007/s11269-020-02729-8
  • Yadav, A., Chatterjee, S., Equeenuddin, SM. 2018. Prediction of suspended sediment yield by artificial neural network and traditional mathematical model in Mahanadi river basin, India. Sustainable Water Resources Management, 4:745-759. DOI: 10.1007/s40899-017-0160-1
  • Yapıcı, İŞ., Arslan, RU. 2024. Gebelikte anne sağlığı risk gruplarının tahminine yönelik makine öğrenmesi tabanlı bir karar destek sistem tasarımı. Black Sea Journal of Engineering and Science, 7(3):509-520. DOI: 10.34248/bsengineering.1455473
  • Yapici, IS., Erkaymaz, O., Arslan, RU. 2021. A hybrid intelligent classifier to estimate obesity levels based on ERG signals. Physics Letters A, 399:127281. DOI: 10.1016/j.physleta.2021.127281
  • Yildirim, P., Birant, KU., Radevski, V., Kut, A., Birant, D. 2018. Comparative analysis of ensemble learning methods for signal classification. 26th Signal Processing and Communications Applications Conference (SIU), pp. 1- 4, Turkey. DOI: 10.1109/SIU.2018.8404601
  • Zhang, W., Shen, X., Zhang, H., Yin, Z., Sun, J., Zhang, X., Zou, L. 2024. Feature importance measure of a multilayer perceptron based on the presingle-connection layer. Knowledge and Information Systems, 66(1):511-533. DOI: 10.1007/s10115-023-01959-7
There are 30 citations in total.

Details

Primary Language Turkish
Subjects Water Resources Engineering, Civil Engineering (Other)
Journal Section Research Articles
Authors

Rukiye Uzun Arslan 0000-0002-2082-8695

Berna Aksoy 0000-0001-6925-1594

İrem Şenyer Yapıcı 0000-0003-0655-340X

Publication Date July 21, 2025
Submission Date March 11, 2025
Acceptance Date May 20, 2025
Published in Issue Year 2025 Volume: 15 Issue: 2

Cite

APA Uzun Arslan, R., Aksoy, B., & Şenyer Yapıcı, İ. (2025). Askıda Katı Madde Konsantrasyonunun Tahmininde Yığma Modelleri ve Hiperparametre Optimizasyonunun Etkisi: Filyos Çayı Örneği. Karaelmas Fen Ve Mühendislik Dergisi, 15(2), 97-108.
AMA Uzun Arslan R, Aksoy B, Şenyer Yapıcı İ. Askıda Katı Madde Konsantrasyonunun Tahmininde Yığma Modelleri ve Hiperparametre Optimizasyonunun Etkisi: Filyos Çayı Örneği. Karaelmas Fen ve Mühendislik Dergisi. July 2025;15(2):97-108.
Chicago Uzun Arslan, Rukiye, Berna Aksoy, and İrem Şenyer Yapıcı. “Askıda Katı Madde Konsantrasyonunun Tahmininde Yığma Modelleri Ve Hiperparametre Optimizasyonunun Etkisi: Filyos Çayı Örneği”. Karaelmas Fen Ve Mühendislik Dergisi 15, no. 2 (July 2025): 97-108.
EndNote Uzun Arslan R, Aksoy B, Şenyer Yapıcı İ (July 1, 2025) Askıda Katı Madde Konsantrasyonunun Tahmininde Yığma Modelleri ve Hiperparametre Optimizasyonunun Etkisi: Filyos Çayı Örneği. Karaelmas Fen ve Mühendislik Dergisi 15 2 97–108.
IEEE R. Uzun Arslan, B. Aksoy, and İ. Şenyer Yapıcı, “Askıda Katı Madde Konsantrasyonunun Tahmininde Yığma Modelleri ve Hiperparametre Optimizasyonunun Etkisi: Filyos Çayı Örneği”, Karaelmas Fen ve Mühendislik Dergisi, vol. 15, no. 2, pp. 97–108, 2025.
ISNAD Uzun Arslan, Rukiye et al. “Askıda Katı Madde Konsantrasyonunun Tahmininde Yığma Modelleri Ve Hiperparametre Optimizasyonunun Etkisi: Filyos Çayı Örneği”. Karaelmas Fen ve Mühendislik Dergisi 15/2 (July 2025), 97-108.
JAMA Uzun Arslan R, Aksoy B, Şenyer Yapıcı İ. Askıda Katı Madde Konsantrasyonunun Tahmininde Yığma Modelleri ve Hiperparametre Optimizasyonunun Etkisi: Filyos Çayı Örneği. Karaelmas Fen ve Mühendislik Dergisi. 2025;15:97–108.
MLA Uzun Arslan, Rukiye et al. “Askıda Katı Madde Konsantrasyonunun Tahmininde Yığma Modelleri Ve Hiperparametre Optimizasyonunun Etkisi: Filyos Çayı Örneği”. Karaelmas Fen Ve Mühendislik Dergisi, vol. 15, no. 2, 2025, pp. 97-108.
Vancouver Uzun Arslan R, Aksoy B, Şenyer Yapıcı İ. Askıda Katı Madde Konsantrasyonunun Tahmininde Yığma Modelleri ve Hiperparametre Optimizasyonunun Etkisi: Filyos Çayı Örneği. Karaelmas Fen ve Mühendislik Dergisi. 2025;15(2):97-108.
 Download Cover Image