In this thesis, we propose a three-stage analysis procedure to interpret input-output relationships of agent-based simulation models. In the first stage, we use metamodels of agent-based models to approximate the input-output dynamics by constructing a functional relationship. For this purpose, we employ Support Vector Regression and Random Forest techniques from machine learning domain. Based on the results of an experimental analysis on Segregation and Traffic Basic models, we observe that Support Vector Regression stands as a promising technique only for output prediction while Random Forest is more appropriate when the main aim is to clearly depict input-output dynamics with a minimal loss of accuracy. In the second stage, we focus on efficient training of Random Forest metamodels. We observe that a sequential sampling strategy considering feedbacks from the metamodel generates more accurate metamodels compared to metamodels trained on randomly selected input-output couples. Besides, the iterative training process of metamodels also gives valuable information about the dynamics of the model by depicting boundary points between different types of model behaviors and counterintuitive outcomes. In the last stage, we devise a rule extraction technique from Random Forest metamodels based on a set partitioning problem formulation. Finally, we apply the three-stage analysis technique to an agent-based influenza epidemic model to analyze the effectiveness of different combinations of intervention strategies in the presence of various transmissibility scenarios of influenza.

Bu tezde, etmen-tabanlı benzetim modellerinin girdi-çıktı ilişkilerini yorumlamak için üç aşamalı bir analiz prosedürü öneriyoruz. İlk aşamada, girdi-çıktı dinamiklerini bir fonksiyonel ilişki kurarak öğrenmek için metamodelleri kullanıyoruz. Bu amaçla, yapay öğrenme alanından Destek Vektör Regresyonu ve Rassal Orman tekniklerini kullanıyoruz. Ayrışma ve Basit Trafik modelleri ile yapılan deneysel analiz sonuçlarına göre, Destek Vektör Regresyonu'nun çıktı tahminlemesi için umut vaat eden bir teknikken, Rassal Orman'ın ise düşük bir doğruluk kaybı ile girdi-çıktı dinamiklerinin açıkça gösterilmek istendiği durumlara daha uygun olduğunu gözlemliyoruz. İkinci aşamada, Rassal Orman metamodellerinin verimli bir şekilde eğitilmesine odaklanıyoruz. Metamodelden gelen geribildirimlerin göz önüne alındığı sıralı örnekleme stratejisinin, rastgele seçilmiş girdi-çıktı ikilileri ile eğitilmiş metamodellere kıyasla daha yüksek doğrulukta metamodeller ortaya çıkardığını gözlemliyoruz. Bunun yanında, yinelemeli metamodel eğitim süreci, genel kanıya uymayan sonuçlar da dahil olmak üzere farklı tipteki model davranışları arasındaki sınır noktalarını göstererek modelin dinamikleri hakkında değerli bilgiler vermektedir. Üçüncü aşamada ise, Rassal Orman metamodellerinden kural çıkarmak için küme ayrıştırma problemi formülasyonuna dayalı bir yöntem geliştirdik. Son olarak, üç aşamalı analiz tekniğimizi, etmen-tabanlı bir grip salgını modeli üzerinde müdahale stratejilerinin etkinliğini farklı bulaşılabilirlik senaryoları altında incelemek için kullandık.