Maximal oxygen uptake (VO2max) refers to the maximum amount of oxygen that an individual can utilize during intense or maximal exercise. Although numerous studies exist to predict VO2max, to date, no study has attempted to apply machine learning methods combined with feature selection algorithms to identify the discriminative features for prediction of VO2max. The purpose of this thesis is to develop new VO2max prediction models using Support Vector Machines (SVM) and Multilayer Perceptron (MLP) combined with feature selection algorithms. Two feature selection algorithms, Relief-F and Correlation-based Feature Selection (CFS), have been considered. By applying Relief-F on the full data sets, the ranking of the features have been obtained. Dimensionality of data sets is reduced by removing the feature with the lowest score at a time before being passed on to the regression method. CFS has been used separately on the full data sets to find out the best subset of features. 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 standart 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 other regression methods.

Maksimal oksijen tüketimi (VO2max), bireyin yoğun ve maksimal egzersiz sırasında kullandığı maksimum oksijen miktarını ifade eder. VO2max'ı tahmin etmek için bir çok çalışma yapılmış olmasına rağmen, şu ana kadar hiç bir çalışmada VO2max tahmini için ayırt edici niteliklerin belirlenmesinde nitelik seçme algoritmaları ile birleştirilmiş makine öğrenme yöntemlerinin uygulanması konusu yer almamaktadır. Bu tezin amacı, nitelik seçme algoritmaları ile birleştirilmiş Destek Vektör Makineleri (SVM) ve Çok Katmanlı Algılayıcı (MLP) kullanarak yeni VO2max tahmin modelleri geliştirmektir. Relief-F ve Korelasyon-tabanlı Nitelik Seçme (CFS) algoritmaları kullanılmıştır. Tüm veri setleri üzerinde Relief-F uygulayarak, niteliklerin sıralaması elde edilmiştir. Her defasında en düşük skora sahip nitelik elenerek, veri setinin boyutu küçültülmüştür. Ayrı olarak, tüm veri setleri üzerinde CFS kullanılarak en iyi nitelikleri barındıran alt kümeler seçilmiştir. Dört farklı veri seti üzerinde 10 katlı çapraz doğrulama kullanılarak, tahmin modellerini performansı çoklu korelasyon katsayısı (R) ve standart tahmin hatası (SEE) hesaplanarak belirlenmiştir. Elde edilen sonuçlara göre, SVM tabanlı VO2max tahmin modellerinin diğer regresyon yöntemleri ile geliştirilen modellere göre daha iyi performans (daha düşük SEE ve daha yüksek R) gösterdiği görülmüştür.