Türkiye'de mutluluk düzeyini etkileyen faktörlerin makine öğrenme ve nitelik seçme algoritmaları ile belirlenmesi

Öz

Mutluluk düzeyi, mutluluk algısının düzeyini açıklayan ve yaşam memnuniyeti ölçmeye yarayan önemli bir parametredir. Bu çalışmada, Türkiye’deki mutluluk düzeyini etkileyen faktörleri belirlemek üzere Relief-F nitelik seçme algoritması ile birleştirilmiş Destek Vektör Makinesi (SVM), Çok Katmanlı Sinir Ağı (MLP) ve Ağaç Arttırma (TB) tabanlı yeni modeller önerilmiştir. Kullanılan veri seti Türkiye İstatistik Kurumu (TÜİK) tarafından 2015 yılında il düzeyinde yapılan İllerde Yaşam Endeksi (İYE) araştırması sonucu oluşturulmuştur. Tahmin modellerinin performansı, 10-katlı çapraz doğrulama kullanılarak, Kök Ortalama Kare Hatası (Root Mean Square Error - RMSE) ve R-kare (R²) değerlerinin hesaplanmasıyla değerlendirilmiştir. Elde edilen sonuçlara göre sağlık hizmetlerinden memnuniyet oranı, sağlığından memnuniyet oranı ile orta ve üstü gelir grubundaki hanelerin oranı Türkiye’deki mutluluk düzeyi tahmininde önemli rol oynayan değişkenler olarak belirlenmiştir. Ayrıca SVM yönteminin mutluluk düzeyi tahmininde etkin bir yöntem olduğu ve tüm SVM tabanlı tahmin modellerinin MLP ve TB tabanlı modellere göre daha düşük RMSE ve daha yüksek R² değerleri ürettiği gözlemlenmiştir.

Anahtar Kelimeler

• Makine Öğrenmesi
• Nitelik Seçme
• Mutluluk Düzeyi
• Tahmin

Identifying the factors affecting the level of happiness in Turkey using machine learning and feature selection algorithms

Abstract

Happiness level is an important parameter that explains the level of perception of happiness and helps to measure life satisfaction. In this study, new models based on Support Vector Machine (SVM), Multilayer Neural Network (MLP) and Tree Boost (TB) individually combined with Relief-F feature selector algorithm were proposed to determine the factors affecting the level of happiness in Turkey. The utilized data set was created by the Turkish Statistical Institute (TÜIK) in 2015 as a result of the Provincial Life Index survey. The performance of the prediction models was evaluated by calculating the Root Mean Square Error (RMSE) and R-squared (R²) values using 10-fold cross validation. According to the results obtained, satisfaction with health services, health satisfaction rate and the ratio of households in the middle- and higher-income group were identified as variables that play an important role in the prediction of happiness level in Turkey. In addition, it has been observed that SVM is an effective method in predicting happiness level and all SVM-based prediction models consistently produce lower RMSE and higher R² values than MLP-based and TB-based models.

Keywords

• Machine learning
• Machine learning
• Feature selection
• Happiness level
• Prediction

Kaynakça

1. N. Ahn, J. R. Garcia and J. F. Jimeno, The impact of unemployment on individual well-being in the EU. Europen Network of Economic Policy Research Institutes, Working paper, No: 29, 2004
2. Türkiye İstatistik Kurumu TÜİK 2016. Yaşam Memnuniyeti Araştırması Tarihçe, http://tuikweb.tuik.-gov.tr/MicroVeri/YMA_2016/metaveri/tarihce/index.html, Erişim Tarihi 22.05.2020
3. R. Veenhoven, R. The study of life satisfaction. In W. E. Saris, R. Veenhoven, A. C. Scherpenzeel, & B. Bunting (Eds.), A comparative study of satisfaction with life in Europe, 11–48, 1996
4. Birleşmiş Milletler 2019 Yılı Dünya Mutluluk Raporu, https://en.wikipedia.org/wiki/World_Happiness_Report, Erişim Tarihi 05.09.2020
5. Türkiye İstatistik Kurumu TÜİK 2016. Yaşam Memnuniyeti Araştırması Veri Tabanı, http://tuik-web.tuik.gov.tr/MicroVeri/YMA_2016/yayinlar/index.html, Erişim Tarihi 05.09.2020
6. S. Selim, Life satisfaction and happiness in Turkey, Social Indicators Research, 88, 531-562, 2008. https://doi.org/10.1007/s11205-007-9218-z
7. G. M. Dyrdal, E. Roysamb, R. B. Nes, and J. Vitterso, Can a happy relationship predict a happy life? A population-based study of maternal well-being during the life transition of pregnancy, infancy, and toddlerhood, Journal of Happiness Studies, 12, 947-962, 2010. https://doi.org/10.1007/s10902-010-9238-2
8. I. Mirkhan, I. Shakerinia, M. Kafi, and N. Khalilzade, Prediction of life satisfaction based on emotional intelligence, happiness and religious attitude among female teachers of Urmia city, northwest of Iran. International Journal of School Health, 3, 1-5, 2014. https://dx.doi.org/10.17795/intjsh-25144

9. L. Noei Iran and M. Mahmoud Alilou, Predicting quality of life and happiness based on attachment style. Iranian Journal of Rehabilitation Research in Nursing, 4, 59-68, 2015
10. N. Jaques, S. Taylor, A. Azaria, A. Ghandeharioun, A. Sano, and R. Picard, Predicting students’ happiness from physiology, phone, mobility, and behavioral data. International Conference on Affective Computing and Intelligent Interaction, 21-24 Eylül, Xi’an China, 325-332, 2015
11. A. Caner, Happiness and life satisfaction in Turkey in recent years, Social Indicators Research, 127, 361-399, 2016. https://doi.org/10.1007/s11205-015-0948-z
12. M. Garaigordobil, Predictor variables of happiness and its connection with risk and protective factors for health. Frontiers in Psychology, 6, 1-10, 2015. https://doi.org/10.3389/fpsyg.2015.01176
13. İllerde Yaşam Endeksi, http://www.resmiistatistik. gov.tr/detail/subject/illerde-yasam-endeksi/, Erişim Tarihi: 05.09.2020
14. Türkiye İstatistik Kurumu - TÜİK, Yaşam Memnuniyeti Araştırması amaç, https://tuikweb.tuik.-gov.tr/MicroVeri/YMA_2016/metaveri/amac/index.html Erişim Tarihi 05.09.2020
15. Türkiye İstatistik Kurumu - TÜİK Yaşam Memnuniyeti Araştırması, https://tuikweb.tuik.gov.tr/MicroVeri/-YMA_2016/metaveri/kapsam/index.html, Erişim Tarihi: 05.09.2020
16. H. Yurtoğlu, Yapay sinir ağları metodolojisi ile öngörü modellemesi: Bazı makroekonomik değişkenler için Türkiye örneği, DPT - Uzmanlık Tezleri Yayın No: 2683, 2005
17. A. Pradhan, Support vector machine - A survey. International Journal of Emerging Technology and Advanced Engineering, 8, 82-85, 2012. http://dx.doi.org/10.14257/ijdta.2015.8.1.18