Akran Zorbalığı Tahmininde Farklı Makine Öğrenmesi Algoritmalarının Performanslarının Karşılaştırılması
Abstract views: 112
/ 
PDF downloads: 131
Keywords:
Akran Zorbalığı, Makine Öğrenmesi, Sınıflandırma, AlgoritmalarıAbstract
Akran zorbalığı, benzer yaş grubundaki kişilere karşı kasıtlı olarak zarar verici davranışları içeren
bir olgudur. Çalışma, akran zorbalığının ciddi etkileri olabileceğini ve uzun vadeli psikolojik sorunlara yol
açabileceğini vurgulayarak, bu nedenle zorbalığa karşı farkındalık yaratma, eğitim sağlama ve önleme
önlemleri almanın önemini vurgulamaktadır. Veri seti olarak OECD Pisa Eğitim Anketleri Türkiye verileri
kullanılmış ve 6821 gözlem ile 24 öznitelik içermektedir. Yöntemler bölümünde, veri setinin ön işleme
aşamaları detaylı bir şekilde açıklanmıştır. Eksik veriler mod alma yöntemiyle doldurulmuş, likert ölçeği
anket verileri sayısal çevrime kavuşturulmuş ve çeşitli öznitelikler oluşturulmuştur. Bulgular bölümünde,
LR, KNN, SVM, RF, CART, GBM, XGBM, LGBM, CATBOOST ve MLP algoritmaları kullanılarak
zorba hedef özniteliği tahmini yapılmıştır. Algoritmaların başarı sıralamaları doğruluk, kesinlik, duyarlılık,
ROC_AUC ve F1 Skor metrikleri kullanılarak karşılaştırılmıştır. İlk aşamada ve hiper parametre
optimizasyonları sonrasında elde edilen sonuçlar benzerlik göstermiştir. Sonuç bölümünde, yapılan
çalışmanın genel başarı sıralamaları verilmiş ve hiper parametre optimizasyonlarıyla daha iyi sonuçlar elde
edilebileceği öne sürülmüştür. Bu çalışmanın, literatüre LR, KNN, SVM, MLP, RF, CART, GBM, XGBM,
LGBM, CATBOOST gibi algoritmaların doğruluk, kesinlik, duyarlılık, ROC_AUC ve F1 skor
metrikleriyle beraber kullanılarak tahmin sonuçlarını karşılaştıran bir katkı sağladığı belirtilmiştir.
Downloads
References
OECD 2018 Pisa Eğitim Anketleri Türkiye verileri, https://www.oecd.org/pisa/data/2018database/
Olweus, D. (1993). Bullying at school: What we know and what we can do. Oxford, UK: Blackwell.
Hinduja, S. ve Patchin, J. W. (2014). Bullying beyond the schoolyard: Preventing and responding to
cyberbullying. Corwin Press.
Ayas, T. ve Pişkin, M. (2011). Lise öğrencileri arasındaki zorbalık olaylarının cinsiyet, sınıf düzeyi ve okul
türü bakımından incelenmesi. İlköğretim Online, 10(2), 550-568.
Crick, N. R. ve Grotpeter, J. K. (1995). Relational aggression, gender, and social-psychological
adjustment. Child Development, 66, 710–722.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
K. C. Sivakumar. (2015). Support Vector Machines: A Survey.
Breiman, Leo. "Random forests." Machine learning 45.1 (2001): 5-32.
Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees. Wadsworth International Group.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785-794).
Ke, Guolin, et al. "LightGBM: A highly efficient gradient boosting decision tree." Advances in Neural Information Processing Systems. 2017.
I. Prokhorenkova, et al., "CatBoost: unbiased boosting with categorical features." In Advances in Neural Information Processing Systems, pp. 6638-6648. 2018
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
