Bireylerin Gelir Dağılım Seviyelerinin Makine Öğrenmesi Teknikleri İle Belirlenmesi

Year 2022, Volume: 5 Issue: 2, 753 - 766, 18.07.2022

Sait Taner Canibey Onur Sevli

https://doi.org/10.47495/okufbed.1039815

Abstract

Toplumların ekonomik durumlarını değerlendirme üzerine yapılan çalışmalar mevcut durumu tespit etmek, yaşam koşullarını iyileştirmek ve geleceğe dönük stratejiler geliştirmek açısından son derece önemlidir. Bu konuda farklı disiplinler çeşitli araştırma, analiz ve tahminleme çalışmaları gerçekleştirmektedir. Bu çalışmada farklı ülkelerden toplanmış olan sosyoekonomik verilerine bağlı olarak bireylerin ekonomik seviyeleri üzerine makine öğrenmesi temelli tahminlemeler gerçekleştirilmiştir. Kullanılan veri setinde bireylerin yaş, çalışma durumu, eğitim seviyesi, medeni durumu, mesleği, ırkı, cinsiyeti, haftalık çalışma süresi ve gelir seviyesini gösterir sınıf yer almaktadır. KNN, DVM, Rastgele Orman ve Naive Bayes algoritmaları kullanılarak elde edilen ölçümler farklı metrikler açısından değerlendirilmiş ve karşılaştırılmıştır. En iyi doğruluk değeri %97.36 olarak Naive Bayes algoritması ile elde edilmiştir. Bu çalışma sosyoekonomik tahminlemeler konusunda çalışacak olan araştırmacılar için makine öğrenmesi temelli başarılı bir model örneği sunmaktadır.

Keywords

Gelir seviyesi tahminlemesi, makine öğrenmesi, ekonomik yaşam

Determining the Income Distribution Levels of Individuals with Machine Learning Techniques

Abstract

Studies on the evaluation of the economic situation of societies are extremely important in terms of determining the current situation, improving living conditions and developing strategies for the future. Different disciplines carry out various research, analysis and forecasting studies on this subject. In this study, machine learning-based predictions were made regarding the economic levels of individuals based on the socioeconomic data collected from different countries. The data set used includes the age, employment status, education level, marital status, occupation, race, gender, weekly working time, and income level of the individuals. On this data set, estimations were made on the income level of individuals by using different machine learning algorithms. The measurements obtained using KNN, SVM, Random Forest and Naive Bayes algorithms were evaluated and compared in terms of different metrics. The best accuracy value was obtained with the Naive Bayes algorithm as 97.36%. This study provides an example of a successful model based on machine learning for researchers who will work on socioeconomic forecasting.

Keywords

Income level, Machine learning, Economic life

References

• Akben, S., Subasi, A., & Kıymık, M. (2010). EEG İşaretleri ile Migren Tanısında Yapay Sinir Ağları ve Destek Vektör Makineleri Sınıflandırma Yöntemlerinin Karşılaştırılması.
• Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324.
• Ardic, O. P., Heimann, M., & Mylenko, N. (2011). Access to financial services and the financial inclusion agenda around the world: a cross-country analysis with a new data set. World Bank Policy Research Working Paper, (5537)
• Chakrabarty, N., & Biswas, S. (2018, October). A statistical approach to adult census income level prediction. In 2018 International Conference on Advances in Computing, Communication Control and Networking (ICACCCN) (pp. 207-212). IEEE.
• Doğrul, N. (2009). GELİR SEVİYELERİ FARKLI İLLERDE EĞİTİMİN EKONOMİK BÜYÜMEYE ETKİSİ. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (23).
• Karaman, B., & ÖZÇALIK, M. (2007). Türkiye’de gelir dağılımı eşitsizliğinin bir sonucu: çocuk işgücü. Yönetim ve Ekonomi: Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 25-41.
• Meng, H. Census Income Data Set (1994) classification using Decision Tree.
• Öztemel, E. (2003). Yapay sinir ağlari. PapatyaYayincilik, Istanbul.
• Pala, M. A., Çimen, M. E., Boyraz, Ö. F., Yildiz, M. Z., & Boz, A. F. (2019). Meme Kanserinin Teşhis Edilmesinde Karar Ağacı Ve KNN Algoritmalarının Karşılaştırmalı Başarım Analizi. Academic Perspective Procedia, 2(3), 544-552. https://doi.org/10.33793/acperpro.02.03.47
• UCI, 2021. https://archive.ics.uci.edu/ml/datasets/adult. Erişim tarihi: 13.11.2021
• Zhang, H. (2005). Exploring conditions for the optimality of naive Bayes. International Journal of Pattern Recognition and Artificial Intelligence, 19(02), 183-198.