Makine Öğrenmesi Yöntemleri ve Performans Analizi

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen-Edebiyat Fakültesi, Matematik Bölümü, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: Elif Aksoy

Danışman: Filiz Kanbay

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Günümüzde finans, sağlık, ticaret ve eğitim gibi birçok alanda makine öğrenmesi yöntemleri ve veri analizi ile birçok araştırma yapılmaktadır. Bu çalışma öğrencilerin eğitim başarısını etkileyen demografik bilgileri modellemeyi hedeflemektedir. Çalışmanın birinci bölümünde literatür taraması yapılmış ve bu alanda yapılmış önceki araştırmalara dayanarak çalışmanın temel amacı ve hedefleri belirlenmiştir. Bu süreçte elde edilen bilgiler, makine öğrenmesi algoritmalarını nasıl uygulayacağımıza dair yön gösterici bir rol oynamıştır. İkinci bölümde veri bilimi ile ilgili temel kavramlar tanımlanarak kullanılan makine öğrenmesi algoritmalarının açıklamaları verilmiştir. Ayrıca, analiz için kullanılan veri setinin yapısı detaylandırılmış, böylece çalışmanın altyapısı oluşturulmuştur. Çalışmanın üçüncü bölümünde Naive Bayes, lineer regresyon, K-En Yakın Komşu, Karar Ağaçları, Rastgele Orman, Destek Vektör Makineleri, Adaboost ve XGBoost algoritmaları ile sınıflandırma modelleri geliştirilmiştir. Bu modellerin başarı oranlarını yükseltmek için her bir algoritmanın hiperparametreleri ızgara taraması yöntemi ile optimize edilmiş ve çapraz doğrulama kullanılmıştır. Elde edilen sonuçlar doğruluk oranları açısından özetlenmiştir. Dördüncü bölümde ise veri boyutunu azaltarak analiz süresini ve maliyeti düşürmek amacıyla Temel Bileşen Analizi uygulanmıştır. TBA ile veri setindeki özniteliklerin boyutu azaltılarak daha yalın bir modelleme yapılmış, bu süreçte model doğruluğuna olumlu katkılar sağlanmıştır. Boyut azaltmanın etkilerini daha ayrıntılı incelemek adına beşinci bölümde öznitelikler gruplandırılmış ve her bir gruba TBA uygulanmış ve özniteliklerin kendi nitelikler doğrultusunda sınıflandırılması ve boyut azaltılmasının model doğruluğu üzerindeki etkisi analiz edilmiştir. Altıncı bölümde sınıflandırma doğruluğunu artırmak amacıyla Lineer Diskriminant Analizi (LDA) yöntemi kullanılarak makine öğrenmesi algoritmaları bir kez daha değerlendirilmiştir. Bu analizle, verinin farklı özellik gruplarına göre nasıl ayrıştığı gözlemlenmiş ve LDA'nın boyut azaltma etkisi makine öğrenmesi algoritmalarıyla incelenmiştir. Yedinci bölümde ise gruplandırılmış özniteliklere her bir grup için LDA uygulanarak gruplandırdıktan sonra boyut azaltmanın model başarısına olan etkisi makine öğrenmesi algoritmalarıyla incelenmiştir. Bu çalışma, eğitimde makine öğrenmesi kullanımını geniş bir çerçevede ele almakta ve öğrencilerin akademik başarılarını etkileyen faktörleri daha iyi anlamak adına detaylı bir modelleme sunmaktadır.