COVID-19 Pandemisinde Salgın Tahmini İçin Geleneksel Makine Öğrenmesi Yöntemlerin Karşılaştırılması: Üç Ülke Perspektifi
Abstract views: 12
/ 
PDF downloads: 5
Keywords:
Covid-19 Sınıflandırma, Doğrusal Regresyon, Karar Ağaçları, Salgın Tahmini, Makine ÖğrenmesiAbstract
Covid-19 pandemisinin matematiksel ve hesaplamalı yöntemlerle modellenmesi, mühendislik
alanında önemli bir araştırma konusu haline gelmiştir. Özellikle makine öğrenmesi algoritmaları, salgının
seyrini öngörmede yüksek doğruluk oranları ile dikkat çekmektedir. Bu çalışmada iki farklı yaklaşım
karşılaştırılmıştır: doğrusal regresyon ve karar ağacı modelleri. Çalışmada kullanılan veri seti Kaggle
üzerinden elde edilmiş ve Türkiye, Çin ile ABD’ye ait günlük vaka verileri kullanılmıştır. Modellerin
performansı ortalama mutlak hata (MAE), ortalama karekök hata (RMSE), R-kare (R²) ve doğruluk
değerleri ile değerlendirilmiştir. Elde edilen sonuçlar, doğrusal regresyon modelinin basit veri yapılarında
kabul edilebilir performans sunduğunu ancak karmaşık dalgalı veri setlerinde yetersiz kaldığını
göstermiştir. Karar ağacı yöntemi yüksek doğruluk değerleri ile öne çıkmaktadır. Bu çalışma,
mühendislik odaklı bir yaklaşımla Covid-19 gibi epidemiyolojik süreçlerin modellenmesinde makine
öğrenmesi yöntemlerinin etkinliğini ortaya koymaktadır.
Downloads
References
J. M. Henwood, "Coronavirus disinfection in histopathology," Journal of Histotechnology, vol. 43, no. 2, pp. 102–104, 2020.
World Health Organization, "WHO Director-General's opening remarks at the media briefing on COVID-19," 11 March 2020. [Online]. Available: https://www.who.int.
Centers for Disease Control and Prevention, Underlying Conditions and the Higher Risk for Severe COVID-19, CDC, Jun. 2025. [Online]. Available: https://www.cdc.gov/covid/risk-factors/index.html.
S. Ghafouri-Fard, H. Mohammad-Rahimi, P. Motie, M. A. S. Minabi, M. A. S. Taheri, ve S. Nateghinia, “Application of machine learning in the prediction of COVID-19 daily new cases: A scoping review,” *Heliyon*, cilt. 11, no. 4, mak. e42943, Feb. 2025.
Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, vol. 521, no. 7553, pp. 436–444, 2015.
L. Rokach and O. Maimon, Data Mining with Decision Trees: Theory and Applications, World Scientific, 2014.
N. S. Özen, “Prediction of COVID-19 Cases in the United States of America with Machine Learning Algorithms,” Avrupa Bilim ve Teknoloji Dergisi, 2021. [Online]. Available: https://dergipark.org.tr/en/download/article-file/1492256.
Z. Özel and M. Demirsöz, “Makine Öğrenmesi Yöntemleri İle COVID-19 Verilerinin İncelenmesi: Türkiye Örneği,” Sağlık Bilimlerinde Yapay Zeka Dergisi, vol. 1, no. 2, pp. 1–7, 2021.
M. A. Çakmak, M. E. Kurt, and C. Çakmak, “Makine Öğrenmesi Algoritmaları ile Covid-19 Hastalarının Mortalite Risklerinin Hesaplanması,” Vizyoner, vol. 13, no. 35, pp. 994–1011, 22 Aug. 2022. DOI: 10.21076/vizyoner.1074212.
R. Singh, A. Adhikari, and S. R. Rathi, “Time series forecasting of COVID-19 using deep learning models,” Chaos, Solitons & Fractals, vol. 140, p. 110121, 2020.
A. Zeroual, et al., “Deep learning methods for forecasting COVID-19 time-series data: A comparative study,” Chaos, Solitons & Fractals, vol. 140, p. 110121, 2020.
M. H. D. Ribeiro, et al., “Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives for Brazil,” Chaos, Solitons & Fractals, vol. 135, p. 109853, 2020.
S. Shastri, et al., “Time series forecasting of COVID-19 using epidemiological models and machine learning methods: A comparative study,” Applied Intelligence, vol. 51, no. 5, pp. 2790–2807, 2021.
S. Rajkumar, “Novel Corona Virus 2019 Dataset,” Kaggle, 2020. [Online]. Available: https://www.kaggle.com/datasets/sudalairajkumar/novel-corona-virus-2019-dataset.
G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning, Springer, 2013.
L. Rokach and O. Maimon, Data Mining with Decision Trees: Theory and Applications, World Scientific, 2014.
G. Naidu, T. Zuva, and E. M. Sibanda, “A review of evaluation metrics in machine learning algorithms,” in Computer Science On-line Conference, Cham, Switzerland: Springer International Publishing, 2023, pp. 15–25. doi: https://doi.org/10.1007/978-3-031-35314-7_2
J. F. Hair, M. Sarstedt, C. M. Ringle, and S. P. Gudergan, Advanced Issues in Partial Least Squares Structural Equation Modeling, 2nd ed., Thousand Oaks, CA: SAGE Publications, 2021.
T. Hayes, “R-squared change in structural equation models with latent variables and missing data,” Behavior Research Methods, vol. 53, no. 5, pp. 2127–2157, 2021. doi: 10.3758/s13428-020-01532-y.
K. M. Ting, “Confusion Matrix,” in Encyclopedia of Machine Learning, C. Sammut and G. I. Webb, Eds. Cham, Switzerland: Springer, 2011, pp. 209–209.
