Türkiye'nin Dış Ticaret Verilerinin Makine Öğrenmesi Yöntemleri ile Analizi ve Tahmini
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: TOLGA HASTAOĞLU
Danışman: Tolga Aydın
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın amacı, Türkiye'nin bilgisayar, elektronik ve optik ürünleri dış ticaretinin dinamiklerini anlamak ve makine öğrenmesi tekniklerini kullanarak bu ürünlerin dış ticaret verilerini tahmin etmektir. Çalışma, dış ticaret stratejilerinin geliştirilmesine katkıda bulunmayı ve Türkiye'nin uluslararası ticaret pazarındaki rekabet gücünü artırmak için veri odaklı karar verme süreçlerinin önemine vurgu yapmayı hedeflemektedir. Yöntem: Çalışma kapsamında öncelikle veri setindeki anomali gözlemler İzolasyon Ormanı (Isolation Forest) yöntemi ile tespit edilmiştir. Daha sonra Minimum Redundancy Maximum Relevance (MRMR) ve Recursive Feature Elimination (RFE) yöntemleri kullanılarak en etkili değişkenler belirlenmiştir. Kümeleme aşamasında, veri setindeki örüntüleri belirlemek amacıyla K-Ortalamalar (K-Means) ve CLARANS algoritmaları kullanılmıştır. Son olarak, tahminleme modelleri olarak XGBoost, LightGBM ve Rastgele Orman Regresörü (Random Forest Regressor) uygulanarak dış ticaret verilerinin gelecekteki eğilimleri öngörülmüştür. Bu yöntemlerden üç farklı model oluşturulmuştur. İlk modelde, Isolation Forest algoritması ile anomali tespiti yapılmış, ardından özellik seçimi için MRMR ve RFE yöntemleri kullanılmış ve sonuç olarak Random Forest Regressor, XGBoost ve LightGBM regresyon modelleri uygulanmıştır. İkinci modelde, yine özellik seçimi yapılmış, sonrasında CLARANS ve K-means kümeleme algoritmaları uygulanmış ve ardından regresyon analizi gerçekleştirilmiştir. Üçüncü modelde ise, anomali tespiti için Isolation Forest kullanılmış, özellik seçimi yapılmış, kümeleme algoritmaları uygulanmış ve regresyon modelleri ile sonuçlar değerlendirilmiştir. Bulgular: Yapılan analizler, kümeleme yöntemlerinin regresyon modellerinin tahmin doğruluğunu anlamlı ölçüde artırdığını ortaya koymuştur. Değerlendirilen yapılandırmalar arasında, CLARANS kümeleme, MRMR öznitelik seçimi ve Random Forest regresyonunun birlikte kullanıldığı model, R² değeri açısından en yüksek performansa (0,8322) ulaşmıştır. Öte yandan, en düşük hata oranları (MSE ve RMSE) ise Isolation Forest, K-Means kümeleme, MRMR ve LightGBM'in birlikte kullanıldığı farklı bir yapılandırmada elde edilmiştir. Bu sonuçlar, denetimsiz öğrenme yöntemleri ile güçlü regresyon tekniklerinin entegrasyonunun dış ticaret davranışlarını etkili bir şekilde modelleyebildiğini ve güvenilir öngörüler sağlayabildiğini göstermektedir. Sonuçlar: Çalışma, makine öğrenmesi temelli yaklaşımların dış ticaret verilerinin karmaşık yapısını anlamada ve geleceğe yönelik projeksiyonlar yapmada güçlü bir araç olabileceğini doğrulamaktadır. Geliştirilen modeller, ekonomik öngörü çalışmalarına ve stratejik ticaret planlamalarına, özellikle de hızla değişen küresel piyasa koşullarında, önemli katkılar sağlayabilmektedir. Gelecek çalışmalarda, analiz kapsamının diğer sanayi sektörlerine genişletilmesi ve daha büyük veri kümelerinin işlenebilmesi için yüksek kapasiteli hesaplama ortamlarının kullanılması önerilmektedir. Anahtar Kelimeler: Dış ticaret, makine öğrenmesi, anomali tespiti, öznitelik seçimi, kümeleme algoritmaları, regresyon analizi