Fazla örnekleme ve az örnekleme ile makine öğrenmesi kullanarak akademik başarının tahmin edilmesine yönelik bir sınıflandırma çalışması

Authors : Ayşe Alkan, Onur Sevli
Pages : 12191-2204
Doi:10.17341/gazimmfd.1465283
View : 325 | Download : 326
Publication Date : 2025-12-31
Article Type : Research Paper
Abstract :Makine öğrenimi, bir bilgisayarın verileri analiz etmeyi, modeller oluşturmayı ve karar vermeyi öğrenmesine olanak tanıyan bir yapay zekâ alanıdır. Makine öğrenimi, eğitimde önemli bir rol oynamaktadır. Bu araştırmada, Open University Learning Analytics veri seti üzerinde çeşitli makine öğrenimi teknikleri kullanılarak öğrencilerin akademik performanslarını tahmin etmek amacıyla sınıflandırmalar gerçekleştirilmiştir. Çeşitli yöntemlerin başarısı değerlendirilmiş, ayrıca sınıflandırıcıların tahmin başarısını arttırmak için literatürde sıkça görülen SMOTE, KMeansSMOTE, RandomOverSampler, ADASYN, BorderlineSMOTE ve SVMSMOTE fazla örnekleme teknikleri kullanılarak veri arttırma işlemi yapılmıştır. Ayrıca, EditedNearestNeighbours, AllKNN, NearMiss, NeighborhoodCleaningRule, OneSidedSelection, RandomUnderSampler ve TomekLinks az örnekleme teknikleri kullanılarak da veri azaltma işlemi yapılmıştır. Lojistik Regresyon, Linear Diskriminant Analizi, Rastgele Orman, K-en yakın komşu, Karar Ağaçları, Naive Bayes ve Destek Vektör Makineleri olarak yedi farklı makine öğrenme tekniği kullanılmıştır. Yeniden örnekleme olmadan sınıflandırmaya ayrıca altı farklı fazla örnekleme ve yedi farklı az örnekleme tekniği kullanılarak doksan bir sınıflandırma işlemi gerçekleştirilmiştir. Tüm sınıflandırma süreçleri dört farklı performans metriği ile raporlanmıştır. RandomOverSampler fazla örnekleme tekniği kullanılarak Rastgele Orman sınıflandırıcı ile %97, AIIKNN az örnekleme tekniği ile K-en yakın komşu sınıflandırıcıdan %96 doğruluk elde edilmiştir. Veri setinde sınıf dengesini sağlamak amacıyla fazla örnekleme ve az örnekleme yönteminin sınıflandırıcı başarısını arttırdığı görülmüştür.
Keywords : Eğitsel veri madenciliği, makine öğrenimi, sınıflandırma, tahmin, yeniden örnekleme

ORIGINAL ARTICLE URL