Türkiye'nin dış ticaret verilerinin makine öğrenmesi yöntemleri ile analizi ve tahmini
Analysis and forecasting of Turkey's foreign trade data using machine learning methods
- Tez No: 974761
- Danışmanlar: DR. ÖĞR. ÜYESİ TOLGA AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Dış ticaret, makine öğrenmesi, anomali tespiti, öznitelik seçimi, kümeleme algoritmaları, regresyon analizi, Yapay zeka ve makine öğrenmesi dersi, Foreign trade, machine learning, anomaly detection, feature selection, clustering algoritms, regression analysis, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
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.
Özet (Çeviri)
Purpose: This study aims to analyze and forecast Turkey's foreign trade data in the field of computers, electronics, and optical products by employing modern machine learning methods. The primary objective is to identify trade dynamics and predict future trends in imports and exports using data-driven models. By integrating anomaly detection, feature selection, clustering, and regression techniques, the study seeks to contribute to the development of trade strategies and offer valuable insights for policymakers and decision-makers Method: In this study, anomalous observations in the dataset were first identified using the Isolation Forest algorithm. Subsequently, the most influential variables were determined through Minimum Redundancy Maximum Relevance (MRMR) and Recursive Feature Elimination (RFE) methods. At the clustering stage, K-Means and CLARANS algorithms were employed to detect structural patterns within the data. Finally, XGBoost, LightGBM, and Random Forest Regressor were applied as predictive models to forecast future trends in foreign trade data. Based on these techniques, three different models were developed. In the first model, anomalies were detected using the Isolation Forest algorithm, followed by feature selection with MRMR and RFE, and regression was performed using Random Forest Regressor, XGBoost, and LightGBM. In the second model, feature selection was again conducted, after which CLARANS and K-Means clustering algorithms were applied, and regression analysis was carried out. In the third model, anomaly detection was conducted with Isolation Forest, followed by feature selection, clustering, and regression analysis for performance evaluation. Findings: The analysis demonstrated that incorporating clustering methods significantly improved the prediction accuracy of regression models. Among the evaluated configurations, the best performance in terms of R² value (0.8322) was achieved with the model that combined CLARANS clustering, MRMR feature selection, and Random Forest regression. On the other hand, the lowest error rates (MSE and RMSE) were observed in a different configuration combining Isolation Forest, K-Means clustering, MRMR, and LightGBM. The results indicate that the integration of unsupervised learning and robust regression techniques can effectively model foreign trade behaviors and provide reliable forecasts. Conclusions: The study confirms that machine learning-based approaches can serve as a powerful tool for understanding and projecting the complex structure of foreign trade data. The developed models can support economic forecasting efforts and strategic trade planning, particularly in rapidly evolving global market conditions. Future studies are recommended to expand the analysis to other industrial sectors and leverage higher-capacity computing environments for processing broader datasets.
Benzer Tezler
- İhracat pazar seçimi sürecinde karar destek sistemlerinin kullanımı
The use of decision support systems in the process of export market selection
SEYDİ AHMET ÖZKAYA
Doktora
Türkçe
2025
Uluslararası TicaretDüzce Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. İSTEMİ ÇÖMLEKÇİ
- Yeni Cami'nin akustik açıdan performans değerlendirmesi
Evaluation of the acoustical performance of the New Mosque
EVREN YILDIRIM
Yüksek Lisans
Türkçe
2003
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. SEVTAP YILMAZ DEMİRKALE
- Türk-İngiliz siyasi ve ekonomik ilişkilerinin Türk turizmine yansımaları (1970-2010)
Reflections of Turkish-British political and economic relations on Turkish tourism (1970-2010)
MUHAMMET NİMET ÇAVUŞ
Doktora
Türkçe
2022
TarihAnkara ÜniversitesiAtatürk İlkeleri ve İnkılap Tarihi Ana Bilim Dalı
PROF. DR. NECDET AYSAL
- Türkiye'nin dış ticaret verilerinin analizi: Denizli örneği
Analysis of Turkey's foreign trade data: Denizli sample
LATİF ÇAKMAK
- Türk çelik sektörünün üretim kapasitesi ve dış ticaret verilerinin incelenmesi
Analysis of production capacity and foreign trade data of Turkish steel industry
SİNAN ARAS
Yüksek Lisans
Türkçe
2019
Metalurji Mühendisliğiİstanbul Teknik ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEVAT BORA DERİN