Vaka Dosyası
Kişilik Tabanlı Mekan Öneri ve Rota Sistemi
Anket verisiyle kişilik boyutlarını ve mekan etiketlerini eşleştirip sınıflandırıcıları aynı veri üzerinde kıyasladım.
- Alan
- Öneri Sistemleri
- Odak
- Model karşılaştırması, veri analizi
- Yığın
- Python, Scikit-learn, Pandas
- Durum
- Tamamlandı
- Yıl
- 2025
Kapak görseli
Özellik önemi (RIASEC ve demografik tahmin ediciler)
Problem
Tercihler çoğu zaman dolaylı; doğrudan skor yerine anket ve etiketlerden çıkarım gerekiyordu. Hangi sınıflandırıcının genelleme yapacağı önceden bilinmiyordu.
Yaklaşım
Özellik matrisini sabit tutup eğitim/hold-out bölünmesini tekrarlanabilir yaptım. Metrikler: doğruluk, F1, confusion matrix; sınıf dengesizliği için weighted F1.
Teknik Yapı
Veri hazırlama
Anketten kişilik ve mekan tercihi alanları çıkarıldı; eksik ve tutarsız kayıtlar elendi.
Özellik mantığı
Big Five benzeri boyutlar sayısallaştırıldı; mekan türleri one-hot veya ordinal kodlandı.
Model karşılaştırması
Logistic Regression, Random Forest, Gradient Boosting aynı split üzerinde; hiperparametre araması sınırlı grid.
Değerlendirme metrikleri
Accuracy, precision, recall, macro/micro F1; karar eşiği 0.5 varsayılan.
Sonuç
En iyi F1 veren model seçildi; özellik seti ve kodlama şeması dokümante edildi, tekrar çalıştırılabilir.
Model karşılaştırması
| Metric | Scenario | Decision Trees | Random Forest | Boosting Methods | |||
|---|---|---|---|---|---|---|---|
| Decision Trees | Multi Output Classifier | Multi Output Regressor | Classifier Chain | XGBoost | LightGBM | ||
| Mikro F-1 | Standart Model | 0.6270 | 0.6769 | 0.6734 | 0.6410 | 0.6570 | 0.6772 |
| Demography | 0.6599 | 0.7247 | 0.7229 | 0.6938 | 0.7086 | 0.6807 | |
| Hyperparameter | - | 0.7311 | 0.7288 | - | 0.7149 | 0.7287 | |
| Makro F-1 | Standart Model | 0.5804 | 0.5823 | 0.6227 | 0.5772 | 0.6017 | 0.6285 |
| Demography | 0.6205 | 0.6492 | 0.6564 | 0.6350 | 0.6545 | 0.6297 | |
| Hyperparameter | - | 0.6529 | 0.6495 | - | 0.6543 | 0.6792 | |
| Hamming Loss | Standart Model | 0.2812 | 0.2211 | 0.2326 | 0.2402 | 0.2454 | 0.2297 |
| Demography | 0.2538 | 0.1895 | 0.1968 | 0.2046 | 0.2092 | 0.2237 | |
| Hyperparameter | - | 0.1861 | 0.1887 | - | 0.1994 | 0.1956 | |