Makine Öğrenimi Modelleri İle Yetişkin Eğitimi Analizi: Modellerin Karşılaştırmalı Performansı

Öz

Bu çalışmada, Türkiye'deki yetişkin eğitimi, Türkiye İstatistik Kurumu'nun (TÜİK) 2022 Yetişkin Eğitimi Araştırması mikro veri seti kullanılarak makine öğrenimi yöntemleriyle analiz edilmiştir. Yetişkin eğitimi alanındaki katılım dinamiklerini daha derinlemesine incelemek ve geleneksel yöntemlerin yetersizliklerini aşmak amacıyla LightGBM, RandomForest, XGBoost, GradientBoosting ve CatBoost algoritmaları uygulanmıştır. Analizler sonucunda, GradientBoosting, XGBoost ve CatBoost modelleri %94 test doğruluğuyla en iyi performansı sergilemiştir. GradientBoosting ve LightGBM modelleri, 0,92 AUC değeriyle öne çıkarken, CatBoost ve XGBoost 0,91 AUC değeri elde etmiştir. F1 skoru açısından ise 0,75 ile GradientBoosting ve LightGBM modelleri en başarılı sonuçları vermiştir. Bu değerlendirmeler ışığında, CatBoost modeli, yüksek doğruluk, kesinlik ve AUC değerleriyle bu çalışmada en uygun model olarak ön plana çıkmıştır. Ayrıca, elde edilen bulgular, Türkiye’de yetişkin eğitiminin analizi ve bu alandaki politika geliştirme süreçlerinde makine öğrenimi yöntemlerinin güçlü bir karar destek aracı olarak kullanılabileceğini göstermektedir.

Anahtar Kelimeler

• Makine Öğrenimi
• LightGBM
• RandomForest
• GradientBoosting
• CatBoost.

Analyzing Adult Education with Machine Learning Models: Comparative Performance of Models

Öz

In this study, adult education in Turkey is analyzed with machine learning methods using the Turkish Statistical Institute's (TurkStat) 2022 Adult Education Survey micro dataset. LightGBM, RandomForest, XGBoost, GradientBoosting and CatBoost algorithms were applied to analyze the dynamics of participation in adult education in more depth and overcome the inadequacies of traditional methods. As a result of the analysis, GradientBoosting, XGBoost and CatBoost models performed the best with 94% test accuracy. GradientBoosting and LightGBM models stand out with an AUC of 0.92, while CatBoost and XGBoost achieved an AUC of 0.91. In terms of F1 score, GradientBoosting and LightGBM models gave the most successful results with 0.75. In the light of these evaluations, the CatBoost model stood out as the most appropriate model in this study with its high accuracy, precision and AUC values. In addition, the findings show that machine learning methods can be used as a powerful decision support tool in the analysis of adult education in Turkey and policy development processes in this field.

Anahtar Kelimeler

• Machine Learning
• LightGBM
• RandomForest
• GradientBoosting
• CatBoost.

Kaynakça

1. Abar, H. (2020). XGBoost ve Mars yöntemleriyle altın fiyatlarının kestirimi. EKEV Akademi Dergisi, 83, 427-446.
2. Akbulut, S., ve Adem, K. (2023). Derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak gelişmekte olan ülkelerin finansal enstrümanlarının etkileşimi ile BIST 100 tahmini. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(1), 52-63. https://doi.org/10.28948/ngumuh.1131191
3. Bae, C. Y., Im, Y., Lee, J., Park, C., Kim, M., Kwon, H. U., and Kim, J. (2021). Comparison of biological age prediction models using clinical biomarkers commonly measured in clinical practice settings: AI techniques vs. traditional statistical methods. Frontiers in Analytical Science, 1. https://doi.org/10.3389/frans.2021.709589
4. Bazilevych, K., Kyrylenko, O., Parfenyuk, Y., Krivtsov, S., Meniailov, I., Kuznietcova, V., and Chumachenko, D. (2023). Comparative analysis of the machine learning models determining COVID-19 patient risk levels. Radioelectronic and Computer Systems, (3), 5-17. https://doi.org/10.32620/reks.2023.3.01
5. Chen, T., and Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. https://doi.org/10.1145/2939672.2939785
6. El Naqa, I., and Murphy, M. J. (2015). What is machine learning? In Machine Learning in Radiation Oncology (pp. 3-11). Springer. https://doi.org/10.1007/978-3-319-18305-3_1
7. Eşidir, K. A. (2025). Türkiye’nin Kimyasal Madde İthalatının Gelecek Tahmini: Makine Öğrenmesi ve Topluluk Öğrenme Yöntemleri Performans Analizi. Firat University Journal of Social Sciences, 35(1), 261-278. https://doi.org/10.18069/firatsbed.1580620
8. Eşidir, K. A., ve Gür, Y. E. (2024). Forecasting Türkiye’s Paper and Paper Products Sector Import Using Artificial Neural Networks. Hitit Sosyal Bilimler Dergisi, 17(2), 206-224. https://doi.org/10.17218/hititsbd.1327799

9. Güleç, İ., Çelik, S., ve Demirhan, B. (2013). Yaşam boyu öğrenme nedir? Kavram ve kapsamı üzerine bir değerlendirme. Sakarya University Journal of Education, 2(3), 34-48. https://doi.org/10.19126/suje.27105
10. Gür, Y. E. (2024a). Development and application of machine learning models in US consumer price index forecasting: Analysis of a hybrid approach. Data Science in Finance and Economics, 4(4), 469-513. https://doi.org/10.3934/DSFE.2024020
11. Gür, Y. E. (2024b). Forecasting the euro exchange rate using deep learning algorithms and machine learning algorithms. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 23(49), 1435-1456. https://doi.org/10.46928/iticusbe.1379268
12. Gür, Y. E. (2024c). Stock price forecasting using machine learning and deep learning algorithms: A case study for the aviation industry. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 36(1), 25-34. https://doi.org/10.35234/fumbd.1357613
13. Ji, H. (2023). Robustness analysis on stock market prediction method. Highlights in Business, Economics and Management, 21, 791-801. https://doi.org/10.54097/hbem.v21i.14763
14. Kaya, H. (2014). Küreselleşme sürecinde yaşam boyu öğrenme ve yetişkin eğitimi gerçeği. Akademik İncelemeler Dergisi, 9(2), 91-111. https://doi.org/10.17550/aid.94961
15. Komşu, U. C. (2017). Yetişkin eğitiminde bir öğretim aracı olarak şiirin rolü: Literatür taraması örneği. HAYEF Journal of Education, 14(1), 1-20.
16. Kuş, İ., Bozkurt Keser, S., ve Yolaçan, E. N. (2021). Saldırı tespit sistemlerinde topluluk öğrenme yöntemlerinin kıyaslanması. Avrupa Bilim ve Teknoloji Dergisi, (31), 725-734.
17. Ma, X., Sha, J., Wang, D., Yu, Y., Yang, Q., and Niu, X. (2018). Study on a prediction of P2P network loan default based on the machine learning LightGBM and XGBoost algorithms according to different high dimensional data cleaning. Electronic Commerce Research and Applications, 31, 24-39.
18. Natekin, A., and Knoll, A. (2013). Gradient boosting machines, a tutorial. Frontiers in Neurorobotics, 7. https://doi.org/10.3389/fnbot.2013.00021
19. Oguine, O. C., and Oguine, M. B. (2021). Comparative analysis and forecasting on the death rate of COVID-19 patients in Nigeria using random forest and multinomial Bayesian epidemiological models. Journal of Clinical Case Studies, Reviews and Reports, 1-7. https://doi.org/10.47363/jccsr/2021(3)182
20. Ou, R. (2020). Out-of-core GPU gradient boosting. https://doi.org/10.48550/arxiv.2005.09148
21. Pakarinen, O., Karsikas, M., Reito, A., Lainiala, O., Neuvonen, P., and Eskelinen, A. (2022). Prediction model for an early revision for dislocation after primary total hip arthroplasty. PLOS ONE, 17(9), e0274384. https://doi.org/10.1371/journal.pone.0274384
22. Polatoğlu, Y. (2022). Ulusal politika belgelerinde yetişkin eğitimi. Studies in Educational Research and Development, 6(1), 52-72.
23. Sinap, V. (2024). Eğitimde makine öğrenmesi: Bir bilim haritalama çalışması. Başkent University Journal of Education, 11(1), 10-25.
24. Speer, A. B. (2021). Empirical attrition modelling and discrimination: Balancing validity and group differences. Human Resource Management Journal, 34(1), 1-19. https://doi.org/10.1111/1748-8583.12355
25. Suthaharan, S. (2014). Big data classification: Problems and challenges in network intrusion prediction with machine learning. ACM SIGMETRICS Performance Evaluation Review, 41(4), 70-73.
26. Tong, S., Sun, W., Xu, J., and Li, H. (2024). Robustness analysis and prediction of topological edge states in topological elastic waveguides. Physica Scripta, 99(7), 075402. https://doi.org/10.1088/1402-4896/ad504f
27. Tosunoğlu, E., Yılmaz, R., Özeren, E., ve Sağlam, Z. (2021). Eğitimde makine öğrenmesi: Araştırmalardaki güncel eğilimler üzerine inceleme. Ahmet Keleşoğlu Eğitim Fakültesi Dergisi, 3(2), 178-199.
28. Wu, Y. (2023). Job embeddedness review: Presentation, measurement and development. Advances in Economics, Management and Political Sciences, 47(1), 169-174. https://doi.org/10.54254/2754-1169/47/20230393
29. Yetişkin Eğitimi Araştırması Mikro Veri Seti. (2022). Yayın No: 4725, Yayım Tarihi: Ocak 2024, Türkiye İstatistik Kurumu Bilgi Dağıtım Grup Başkanlığı. ISBN: 978-625-8368-63-5.
30. Zeiler, M. D., and Fergus, R. (2014). Visualizing and understanding convolutional networks. Computer Vision – ECCV 2014, 818-833. https://doi.org/10.1007/978-3-319-10590-1_53
31. Zhu, X., Sawhney, R., and Upreti, G. (2016). Determinates of employee voluntary turnover and forecasting in departments: A case study. Studies in Engineering and Technology, 3(1), 64-73. https://doi.org/10.11114/set.v3i1.1635
32. Zilyas, D., ve Yılmaz, A. (2023). Makine öğrenmesi yöntemleri ile eğitim başarısının tahmini modeli. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 14(3), 437-447. https://doi.org/10.24012/dumf.1322273