Çevresel Tutumların Sınıflandırılmasında Özellik Seçimi ve Model Performansının İncelenmesi

Yıl 2025, Cilt: 8 Sayı: 4, 9 - 10

Rukiye Uzun Arslan , İrem Şenyer Yapıcı , Fuat Alkan

https://doi.org/10.34248/bsengineering.1660516

Öz

Çevresel tutumlar, bireylerin sürdürülebilirlik ve ekolojik bilinç düzeylerini yansıtan önemli göstergelerden biridir ve bu tutumların doğru bir şekilde tahmin edilmesi, çevresel politikaların ve farkındalık çalışmalarının etkinliğini artırmada kritik bir rol oynamaktadır. Bu doğrultuda, bu çalışmada bireylerin çevresel tutumlarını tahmin etmek amacıyla çeşitli makine öğrenmesi (MÖ) algoritmaları ve farklı özellik seçimi yöntemleri karşılaştırılmıştır. Analizlerde, Türkiye’de yaşayan 384 katılımcıdan elde edilen açık erişimli bir veri seti kullanılmıştır. Çalışma kapsamında, yedi farklı MÖ algoritması (Rasgele Orman, Lojistik Regresyon, Destek Vektör Makineleri, K-En Yakın Komşu, Çok Katmanlı Algılayıcı, Naive Bayes ve Oylama) ile dört özellik seçimi yöntemi (Ekstra Ağaçlar, Karşılıklı Bilgi, Temel Bileşen Analizi ve Rasgele Orman) değerlendirilmiştir.
Elde edilen bulgular, Temel Bileşen Analizi yönteminin Çok Katmanlı Algılayıcı (ÇKA) ve Lojistik Regresyon algoritmalarının performansını anlamlı ölçüde artırdığını göstermiştir. En yüksek doğruluk oranı (%98,7) ve duyarlılık değeri (%100) ÇKA algoritması ile elde edilmiştir. Ayrıca, Karşılıklı Bilgi ve Rasgele Orman yöntemlerinin, Destek Vektör Makineleri ve Oylama algoritmalarının performansını iyileştirdiği belirlenmiştir.
Sonuç olarak, bu çalışma, çevresel tutumların tahmininde kullanılan özellik seçimi yöntemleri ile MÖ algoritmalarının kombinasyonlarının etkisini ortaya koymaktadır. Açık erişimli bir veri setinin kullanılması, çalışmanın şeffaflığını ve tekrarlanabilirliğini artırmıştır. Gelecekteki çalışmalarda, daha geniş ve çeşitli veri setleri üzerinde gerçekleştirilecek analizlerle elde edilen bulguların genellenebilirliği değerlendirilebilir.

Anahtar Kelimeler

Çevresel tutum tahmini, Özellik seçimi, Model performansı, Sınıflandırma algoritmaları

Feature Selection and Evaluation of Model Performance in Environmental Attitude Classification

Öz

The environmental attitudes are one of the prominent indicators reflecting the sustainability and ecological awareness levels of individuals, and accurate prediction of these attitudes plays a critical role in increasing the effectiveness of environmental policies and awareness efforts. This study compares various machine learning (ML) algorithms and different feature selection methods to predict the environmental attitudes of individuals in this context. In the analyses, an open-access dataset obtained from 384 participants living in Turkey has been used. Seven different ML algorithms (Random Forest, Logistic Regression, Support Vector Machines, K-Nearest Neighbours, Multi-Layer Perceptron, Naive Bayes, and Voting) and four feature selection methods (Extra Trees, Mutual Information, Principal Component Analysis, and Random Forest) have been analysed.
The obtained results have indicated that the Principal Component Analysis method significantly improved the performance of the Multilayer Perceptron (MLP) and Logistic Regression algorithms. The highest accuracy rate (98.7%) and sensitivity value (100%) were obtained with the MLP algorithm. Furthermore, mutual information and random forest methods were found to improve the performance of support vector machines and voting algorithms.
In conclusion, this study demonstrates the effectiveness of combinations of feature selection methods and ML algorithms in predicting environmental attitudes. The use of an open access dataset increased the transparency and reproducibility of the study. In future studies, the generalizability of the findings can be evaluated by analyses on larger and more diverse data sets.

Anahtar Kelimeler

Environmental attitude prediction, Feature selection, Model performance, Classification algorithms

Kaynakça

• Arslan RU, İşler Y, Toksan M. 2020. Prediction of the success of wart treatment methods. Karaelmas Sci Eng J, 10(1):44-52.
• Arslan RU, Yapıcı İŞ. 2024. Farklı örnekleme tekniklerine ve farklı sınıflandırıcılara dayanarak kalp yetmezliği tanılı hastaların sağkalımlarının incelenmesi. EMO Bilimsel Dergi, 14(2):35-47.