Makine öğrenmesi teknikleri ile ekolojik verilerin değerlendirilmesi

Ekoloji, organik ve inorganik sistemler üzerinde çalışan doğa bilimcilerin bu sistemler ile ilgili karmaşık ilişkileri incelemesini, anlamasını ve bu ilişkilerden çıkarım yapmalarını amaçlayan bir bilim dalıdır. Bu karmaşık ilişkilerin anlaşılabilmesi ve ileriye dönük tahminlerin yapılabilmesi noktasında Makine Öğrenmesi teknikleri istatistiksel metotlara göre daha avantajlı olabilmektedir. Makine Öğrenmesi ile ekolojik sistemlere ait doğrusal olmayan, yüksek hacimli, fazla niteliğe sahip veya çok sayıda eksik veri içerebilen veri kümeleri, eğitim algoritmaları ile yapay öğrenme sürecinden geçirilip bu veri kümeleri ile ilgili kestirimler yapılabilmektedir. Bu tez çalışmasında, Makine Öğrenmesi' nde yaygın kullanılan Yapay Sinir Ağları, K-NN, K-Means, Naive Bayes, ve Karar Ağacı Sınıflandırma (ID3) yöntemlerinin, ekolojik verilerde ne şekilde kullanılabileceğinin anlaşılması amacıyla, ayrıca bu yöntemlerin daha iyi kavranmasını sağlamak için iki adet örnek veri kümesi, bu yöntemler kullanılarak değerlendirilmiştir. Bu beş yöntem de modellenerek geliştirilen bir deney ortamında test edilmiştir. Test süreçlerinde farklı parametreler kullanılmış ve seçilen bir doğrulama yöntemi üzerinden en iyi performans değerleri elde edilmeye çalışılmıştır. Sonuç olarak elde edilen performans değerleri, literatürde yaygın olarak kullanılan diğer algoritmaların performanslarına yakın olduğu gözlemlenmiştir.