Abstract
İşsizlik oranı, bir ülkenin ekonomik verimini ölçen en önemli değişkenlerden biridir. İş gücü ve verimi toplumun gelişmesi açısından çok önemli olup, işsizlik oranının düşürülmesi ve istihdam sağlanması bir devletin büyümesi açısından kilit öneme sahiptir. İşsizlik oranının tahmin edilmesi alınacak önlemler ve planlamalar açısından önem arz etmektedir. Bu çalışmada, işsizlik oranının tahmini için Türkiye İstatistik Kurumunun (TÜİK) İllerde Yaşam Endeksi verilerinden ve TÜİK tarafından oluşturulan veri gruplarından yararlanılmıştır. Tahmini etkileyen değişkenlerin tespiti için veri madenciliği sürecinden ve makine öğrenme algoritmalarından yararlanılmıştır. Bu çalışma kapsamında, işsizlik oranının tahmininde hangi tür veri gruplarının daha etkili olduğu ve hangi makine öğrenme yöntemlerinin daha etkin olduğu sorgulanmıştır. Elde edilen sonuçlar tahmin duyarlılık analizi kapsamında incelenmiş ve hata oranlarına göre yorumlanmıştır. Elde edilen sonuçlara göre işsizlik oranı tahmininde, Genel Regresyon Sinir Ağı (GRNN) yöntemi Destek Vektör Makineleri (SVM) ve Gen İfadesi Programlama (GEP) yöntemlerine göre daha etkin bir yöntemdir. Ayrıca, eğitim konulu veri grubunun diğer veri gruplarından daha etkili olduğu gözlemlenmiştir.
Publisher
Uluslararasi Yonetim Bilisim Sistemleri ve Bilgisayar Bilimleri Dergisi
Reference23 articles.
1. Bağcı, B. (2020) “Gri Markov Modeli ile Türkiye'de İşsizlik Oranı Tahmini”, Sosyal Güvenlik Dergisi, 10 (2) ss. 259-272
2. Buckley J.J, (2004) Fuzzy Statistics, Springer, Germany. ISBN 3-540-21084-9
3. Carbonell, G.J., Gil, Y. (1987, Haziran) “Learning by Experimentation” Proceedings of the Fourth International Workshop on Machine Learning, 256-266.
4. Chen S.Y., Liu X. (2004) “The contribution of data mining to information science” Journal of Information Science, vol 30, no 6. pp. 550–558
5. Çiftçi, C. (2016) “Forecastıng of Unemployment Rate For Turkey: Markov Chaıns Aproach”, Eurasian Academy of Sciences Eurasian Business & Economics Journal, Vol. S2, 657-665, http://dx.doi.org/10.17740/eas.econ.2016-MSEMP-140