Maximum oxygen uptake (VO2max) is defined as the maximum ability to transport and consume oxygen during strenuous endurance exercise and is considered the single best measure of cardiorespiratory fitness (CRF). The purpose of this thesis is to develop VO2max prediction models by using non-exercise, submaximal and hybrid variables by using Support Vector Machines (SVM), Multi-layer Feed-forward Artificial Neural Networks (MFANN) and Multiple Linear Regression (MLR) on different data sets. Using 10-fold cross validation on four different data sets, the performance of prediction models has been evaluated by calculating their multiple correlation coefficients (R's) and standard error of estimates (SEE's). The results show that SVM-based VO2max prediction models perform better (i.e. yield lower SEE's and higher R's) than the prediction models developed by MFANN and MLR. We also propose a new approach based on the elimination of irrelevant samples during the training phase for improving the performance of SVM and MFANN models for prediction of VO2max. The performance of the proposed approach has been compared with the two widely used outlier detection algorithms. The results show that the improved SVM-based and MFANN-based VO2max prediction models yield noticeable decrements in error rates compared to that of regular and outlier-based SVM and MFANN VO2max prediction models.

Maksimal oksijen tüketimi (VO2max), şiddetli dayanıklılık egzersizi esnasında azami oksijen taşıma ve tüketme yeteneği olarak tanımlanır ve kalp-solunum (kardiyorespiratuvar) uygunluğunu ölçmenin tek ve en iyi yöntemi olarak kabul edilir. Bu tezin amacı farklı veri setleri ile submaksimal, egzersize dayalı olmayan ve hibrit değişkenleri kullanarak Destek Vektör Makineleri (DVM), Çok-Katmanlı İleri-Beslemeli Yapay Sinir Ağları (YSA) ve Çoklu Doğrusal Regresyon (ÇDR) ile yeni VO2max tahmin modelleri geliştirmektir. Dört farklı veri seti üzerinde, 10-katlı çapraz doğrulama kullanılarak, tahmin modellerinin performansları Çoklu Korelasyon Katsayısı (R) ve Standart Tahmin Hatası (STH) hesaplanarak elde edilmiştir. Sonuçlar, DVM-tabanlı VO2max tahmin modellerinin YSA ve ÇDR-tabanlı tahmin modellerine göre daha başarılı olduğunu göstermiştir. Ayrıca bu tezde, DVM ve YSA tabanlı VO2max tahmin modellerinin performansını arttırmak için yeni bir yaklaşım önerilmiştir. Veri eksiltme olarak adlandırılan bu yaklaşım uyumsuz satırların öğrenme veri setinden öğrenme aşamasında çıkarılmasına dayalıdır. Önerilen yaklaşımın performansı yaygın olarak kullanılan iki farklı aykırı değer algılama algoritması ile karşılaştırılmıştır. Geliştirilmiş DVM ve YSA-tabanlı VO2max tahmin modelleri, normal ve aykırı değerleri algılama algoritması tabanlı DVM ve YSA-tabanlı VO2max tahmin modelleri ile karşılaştırıldığında hata oranlarında fark edilebilir düzeyde bir azalma ortaya çıkmıştır.