SMRGT yöntemi ile bulanıklaştırılmış veriler için bulanık doğrusal regresyon /Fuzzy linear regression for the data which is fuzzified with SMRGT method

Klasik regresyon analizinde olusturulan modellerin tahminleri ile gozlenen bagimli degisken arasinda genellikle gozlem hatasindan kaynaklanan sabit varyansli ve 0 (sifir) ortalamali normal dagilima sahip oldugu varsayilan bir fark olusur. Bulanik regresyon analizinde bu fark model yapisinin bulanikligi olarak dusunulmektedir. Belirli kisitlamalar nedeniyle klasik dogrusal regresyon uygulanmasi yerine bulanik dogrusal regresyon uygulanmasi daha uygun olan veriler icin, veri bulanik degiskenler icermiyorsa olasiliksal modelin kullanilmasi zorunlu hale gelebilmektedir. Oysaki olasiliksal modelin de belli kisitlamalar nedeniyle kullanilmasinin uygun olmadigi durumlar vardir. Burada degiskenleri bulanik olan modellerin kullanilmasi icin, bulanik olmayan degiskenler, yeni bir yontem olan SMRGT ile bulaniklastirilmis, elde edilen degiskenler icin bulanik En Kucuk Kareler (EKK) modeli ile bulanik dogrusal regresyon denklemi olusturulmustur. Sonuc olarak klasik dogrusal regresyon ve bulanik dogrusal regresyon bir veri setine uygulanmis ve bu iki yaklasimin performanslari cesitli olcum kriterleri kullanilarak karsilastirilmistir.  In classical regression analysis a difference is occurred between the observed dependent variable and estimates of the generated models. This difference is generally caused by the assumption of that the observed dependent variable has to be normally distributed with a constant variance and zero (0) average. In fuzzy regression analysis this difference is considered to be the blurring of the model structure. for the data which is appropriate for the fuzzy regression analysis instead of classical regression analysis due to certain restrictions, if the data does not include fuzzy variables, using probabilistic models may become mandatory. However, because of certain restrictions there are cases using of probabilistic model is not appropriate. We generate a fuzzy linear regression equation with Fuzzy Least Square Regression (FLSR) model. Here nonfuzzy variables are fuzzified with a new method SMRGT to use models have fuzzy variables. In conclusion, classical linear regression and fuzzy linear regression were applied a data set, and these two approaches performances were compared by using different measures.