İNTERNET BAĞIMLILIĞI SKORLARININ TAHMİNİNDE FARKLI MAKİNE ÖĞRENME MODELLERİNİN KARŞILAŞTIRILMASI

Authors : Serpil Sevimli Deniz

Pages : 273-286

Doi:10.61904/sbe.1567234

View : 61 | Download : 63

Publication Date : 2024-12-31

Article Type : Research Paper

Abstract :Bu çalışmada, internet bağımlılığı skorlarını tahmin etmek amacıyla kullanılan farklı makine öğrenme modelleri karşılaştırılmıştır. Logistic Regression, K-Nearest Neighbors (KNN), Random Forest, Decision Tree, Support Vector Regression (SVR) ve Gradient Boosting gibi yaygın algoritmalar değerlendirilmiştir. Modellerin performansı ortalama hata kareleri (MSE) ve R² skorları ile ölçülmüştür. Sonuçlar, Random Forest ve Decision Tree modellerinin en yüksek doğruluğa sahip olduğunu, özellikle ensemble yöntemlerin internet bağımlılığı gibi çok boyutlu ve karmaşık sosyal problemleri tahmin etmede daha etkili olduğunu ortaya koymuştur. Bu çalışma, makine öğrenimi tekniklerinin sosyal bilimler ve psikoloji alanlarında uygulanabilirliğini göstererek, internet bağımlılığı tahmininde model çeşitliliğinin performansa olan etkisini analiz etmektedir.
Keywords : İnternet Bağımlılığı, Makine Öğrenimi, Logistic Regression, KNN, Random Forest, Decision Tree, SVR, Gradient Boosting

ORIGINAL ARTICLE URL