Araştırma Makalesi
BibTex RIS Kaynak Göster

Bireylerin Gelir Dağılım Seviyelerinin Makine Öğrenmesi Teknikleri İle Belirlenmesi

Yıl 2022, Cilt: 5 Sayı: 2, 753 - 766, 18.07.2022
https://doi.org/10.47495/okufbed.1039815

Öz

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.

Kaynakça

  • 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.

Determining the Income Distribution Levels of Individuals with Machine Learning Techniques

Yıl 2022, Cilt: 5 Sayı: 2, 753 - 766, 18.07.2022
https://doi.org/10.47495/okufbed.1039815

Öz

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.

Kaynakça

  • 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.
Toplam 11 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Bilgisayar Yazılımı
Bölüm Araştırma Makaleleri (RESEARCH ARTICLES)
Yazarlar

Sait Taner Canibey 0000-0002-5781-6372

Onur Sevli 0000-0002-8933-8395

Yayımlanma Tarihi 18 Temmuz 2022
Gönderilme Tarihi 22 Aralık 2021
Kabul Tarihi 20 Ocak 2022
Yayımlandığı Sayı Yıl 2022 Cilt: 5 Sayı: 2

Kaynak Göster

APA Canibey, S. T., & Sevli, O. (2022). Bireylerin Gelir Dağılım Seviyelerinin Makine Öğrenmesi Teknikleri İle Belirlenmesi. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 5(2), 753-766. https://doi.org/10.47495/okufbed.1039815
AMA Canibey ST, Sevli O. Bireylerin Gelir Dağılım Seviyelerinin Makine Öğrenmesi Teknikleri İle Belirlenmesi. OKÜ Fen Bil. Ens. Dergisi ((OKU Journal of Nat. & App. Sci). Temmuz 2022;5(2):753-766. doi:10.47495/okufbed.1039815
Chicago Canibey, Sait Taner, ve Onur Sevli. “Bireylerin Gelir Dağılım Seviyelerinin Makine Öğrenmesi Teknikleri İle Belirlenmesi”. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi 5, sy. 2 (Temmuz 2022): 753-66. https://doi.org/10.47495/okufbed.1039815.
EndNote Canibey ST, Sevli O (01 Temmuz 2022) Bireylerin Gelir Dağılım Seviyelerinin Makine Öğrenmesi Teknikleri İle Belirlenmesi. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi 5 2 753–766.
IEEE S. T. Canibey ve O. Sevli, “Bireylerin Gelir Dağılım Seviyelerinin Makine Öğrenmesi Teknikleri İle Belirlenmesi”, OKÜ Fen Bil. Ens. Dergisi ((OKU Journal of Nat. & App. Sci), c. 5, sy. 2, ss. 753–766, 2022, doi: 10.47495/okufbed.1039815.
ISNAD Canibey, Sait Taner - Sevli, Onur. “Bireylerin Gelir Dağılım Seviyelerinin Makine Öğrenmesi Teknikleri İle Belirlenmesi”. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi 5/2 (Temmuz 2022), 753-766. https://doi.org/10.47495/okufbed.1039815.
JAMA Canibey ST, Sevli O. Bireylerin Gelir Dağılım Seviyelerinin Makine Öğrenmesi Teknikleri İle Belirlenmesi. OKÜ Fen Bil. Ens. Dergisi ((OKU Journal of Nat. & App. Sci). 2022;5:753–766.
MLA Canibey, Sait Taner ve Onur Sevli. “Bireylerin Gelir Dağılım Seviyelerinin Makine Öğrenmesi Teknikleri İle Belirlenmesi”. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, c. 5, sy. 2, 2022, ss. 753-66, doi:10.47495/okufbed.1039815.
Vancouver Canibey ST, Sevli O. Bireylerin Gelir Dağılım Seviyelerinin Makine Öğrenmesi Teknikleri İle Belirlenmesi. OKÜ Fen Bil. Ens. Dergisi ((OKU Journal of Nat. & App. Sci). 2022;5(2):753-66.

23487




196541947019414  

1943319434 19435194361960219721 19784  2123822610 23877

* Uluslararası Hakemli Dergi (International Peer Reviewed Journal)

* Yazar/yazarlardan hiçbir şekilde MAKALE BASIM ÜCRETİ vb. şeyler istenmemektedir (Free submission and publication).

* Yılda Ocak, Mart, Haziran, Eylül ve Aralık'ta olmak üzere 5 sayı yayınlanmaktadır (Published 5 times a year)

* Dergide, Türkçe ve İngilizce makaleler basılmaktadır.

*Dergi açık erişimli bir dergidir.

Creative Commons License

Bu web sitesi Creative Commons Atıf 4.0 Uluslararası Lisansı ile lisanslanmıştır.