10.21597-jist.1214796-2813616

Full text

1247
Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 13(2), 1247-1255, 2023
Journal of the Institute of Science and Technology, 13(2), 1247-1255, 2023
ISSN: 2146-0574, eISSN: 2536-4618
Matematik / Mathematics
DOI: 10.21597/jist.1214796
Araştırma Makalesi / Research Article
Geliş tarihi / Received: 05.12.2022
Kabul tarihi / Accepted: 31.01.2023
Atıf İçin: Atasoy, D. ve Kara, H. (2023). Karar Ağacı Optimizasyon Algoritması üzerine Bir Çalışma. Iğdır
Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 13(2), 1247-1255.
To Cite: Atasoy, D. & Kara, H. (2023). A Study on Decision Tree Optimization Algorithm. Journal of the Institute
of Science and Technology, 13(2), 1247-1255.
Karar Ağacı Optimizasyon Algoritması üzerine Bir Çalışma
Dinçer ATASOY1*, Hasan KARA2
Öne Çıkanlar:
• Matematik
Bölümü
Öğrencilerinin
türev tutumları
• Optimizasyon
Anahtar
Kelimeler:
• Karar ağacı
• Algoritma
• Türev tutumu
• Optimum
çözüm
ÖZET:
Bu çalışmanın amacı matematik bölümünde okuyan öğrencilerin, bölümde okutulan analiz
derslerindeki türev konusu hakkında nasıl bir tutuma sahip olduklarını karar ağacı
optimizasyon algoritması ile ölçmektir. Çalışmada, Kara (2014)’nın geliştirdiği ve Atasoy
ve Kara (2021)’nın optimize ettiği 5’li likert ölçeğine sahip türev tutum ölçeği
kullanılmıştır. Matematik bölümünde öğrenim gören 194 öğrenciye bu ölçek uygulanmış
ve lise düzeyinde pekiştirme derslerine katılan /katılmayan öğrencilerin görüşlerinde
farklılık olup olmadığı incelenmiştir. Öğrencilerin ÖSYM matematik testinde doğru
cevapladıkları soru sayısına bakıldığında, üniversite analiz dersinde görülen türevlere
olumlu baktıkları görülmüştür.
A Study on Decision Tree Optimization Algorithm
Highlights:
• Derviative
attitudes of the
Department of
Mathmatics
• Optimization
Keywords:
• Decision tree
• Algorithm
• Derivative
attitude
• Optimum
solution
ABSTRACT:
The aim of this study is to measure the attitude of the students studying in the mathematics
department about the derivative subject in the analysis courses taught in the department,
with the decision tree optimization algorithm. In the study, a derivative attitude scale with
a 5-point Likert scale developed by Kara (2014) and optimized by Atasoy and Kara (2021)
was used. This scale was applied to 194 students studying in the mathematics department
and it was examined whether there was a difference in the opinions of the students who
attended or did not attend the reinforcement courses at the high school level. Considering
the number of questions that students answered correctly in the OSYM mathematics test,
it was seen that they viewed the derivatives in the university analysis course positively.
1 Dinçer ATASOY (Orcid ID: 0000-0003-0389-1059), Iğdır Üniversitesi, Iğdır Meslek Yüksekokulu, Finans-
Bankacılık ve Sigortacılık Bölümü, Iğdır, Türkiye
2 Hasan KARA (Orcid ID: 0000-0001-9828-9006), Iğdır Üniversitesi, Fen-Edebiyat Fakültesi, Matematik
Bölümü, Iğdır, Türkiye
*Sorumlu Yazar/Corresponding Author: Dinçer ATASOY, e-mail: dincer.atasoy@igdir.edu.tr
Etik Kurul Onayı / Ethics Committee Approval: Bu makalede kullanılan öğrenci anketi için “Iğdır Üniversitesi
Blimsel Araştırma ve Yayın Etik Kurulu Başkanlığının” 25.01.2021 tarih ve 2021/04 sayılı kararı ile Etik Kurul
Onayı alınmıştır.

Dinçer ATASOY ve Hasan KARA
13(2), 1247-1255, 2023
Karar Ağacı Optimizasyon Algoritması üzerine Bir Çalışma
1248
GİRİŞ
Karar ağacı veri madenciliği olarak da adlandırılır. Karar ağacı algoritması, denetimli makine
öğrenimi algoritmaları ailesine aittir. Hem sınıflandırma hem de regresyon analizinde kullanılabilir. Bu
algoritmanın amacı, yaprak düğümün bir sınıf etiketine karşılık geldiği ve özniteliklerin iç düğümde
temsil edildiği problemi çözmek için karar ağacının ağaç temsilini kullandığı bir hedef değişkenin
değerini tahmin eden bir model oluşturmaktır (Anonim, 2021).
Karar ağacı öğrenimi, aykırı değerlere yaklaşmak için bir yöntemdir. Karar ağacı öğrenimi, en
yaygın kullanılan ve pratik yöntemlerden biridir (Kozak, 2019). Bir karar ağacında, her bir dâhili düğüm,
girdi öznitelik değerlerinin belirli bir ayrık fonksiyonuna göre örnek uzayını iki veya daha fazla alt uzaya
böler. Karar ağacı indükleyicileri, belirli bir veri kümesinden otomatik olarak bir karar ağacı oluşturan
algoritmalardır. Bu algoritmanın amacı, genelleme hatasını en aza indirerek optimal karar ağacını
bulmaktır. Bununla birlikte, örneğin düğüm sayısını en aza indirmek veya ortalama derinliği en aza
indirmek gibi diğer hedef işlevler de tanımlanabilir (Rokach, 2010). Karar ağacı optimizasyon, nesneler
arasındaki ilişkinin ortaya çıkarılmasına olanak sağlayan ve optimal düzenlemelerin en küçükleri
içermesini sağlayan istatistiksel bir yöntemdir (Kalaycı, 2006; Ho, 2006).
Şekil 1. Karar Ağacı Diyagramı
Bir karar ağacında, her özellik bir kök düğümden oluşur. Kök düğümlerin altında alt düğümler ve
onların altında ise yapraklar vardır. En son yapraklardan optimum olanı amacı temsil etmektedir. Her
bir uç düğüme kökten ulaşılabilecek tek bir yol bulunur. Ulaşılan uç düğüm, yeni verinin öngörülen
sınıfına karşılık gelir (Dalkılıç ve Dalkılıç, 2015).
MATERYAL VE METOT
Karar ağacı ile ilgili yapılan çeşitli çalışmalar incelenmiştir. Bu çalışmalardan bazıları şunlardır;
Onan (2014) “irket flaslarının Tahmin Edilmesinde Karar Ağacı Algoritmalarının Karşılaştırmalı
Başarım Analizi ”, Dalkılıç ve ark. (2015) “Karar Ağaçları Destekli Vadeli Mevduat Analizi”, Kozak
(2019) “Decision Tree and Ensemble Learning Based on Ant Colony Optimization”, Çelik ve ark.(2022)
“Çalışan Performansı Ölçeğindeki fadelerin Karar Ağacı Algoritması ile Belirlenmesi”, Aksu ve ark.
(2016) “PISA 2012 matematik okur yazarlığı puanlarının karar ağacı yöntemiyle sınıflandırılması:
Türkiye örneklemi” dir. Bu çalışmada faydalanılan tutum ölçeklerinden bazıları da; Kara (2014)
“lköğretim Matematik Öğretmen Adaylarının Türev Konusuna Yönelik Tutumları” adlı ölçek
çalışmadır.

Dinçer ATASOY ve Hasan KARA
13(2), 1247-1255, 2023
Karar Ağacı Optimizasyon Algoritması üzerine Bir Çalışma
1249
Çizelge 1. Öğrencilerin sınıf ve yaş bilgileri
Sınıf
Cinsiyet
f
%
Birikimli
Yüzde
Cinsiyet
f
%
Birikimli
Yüzde
Birinci sınıf
102
52.6
52.6
Erkek
82
42.3
42.3
kinci sınıf
44
22.7
75.3
Kadın
112
57.7
100.0
Üçüncü sınıf
29
14.9
90.2
Toplam
194
100.0
Dördüncü sınıf
19
9.8
100.0
Toplam
194
100.0
Çizelge 1’de öğrencilerin hem sınıf bazında hem de cinsiyet bazında, frekansları ve nispi
frekansları verilmiştir.
Çizelge 2. Öğrencilerin takviye kursuna gitmesi ve ÖSYM alan sınavında doğru yaptığı sorular
Kurs
ÖSYM
f
%
Birikimli
Yüzde
Grup
f
%
Birikimli
Yüzde
Sadece özel ders aldım
5
2.6
2.6
1-10
8
4.1
4.1
Hem dershaneye/etüt merkezine gittim hem de
özel ders aldım
8
4.1
6.7
11-20
64
33.0
37.1
sadece dershaneye/etüt merkezine gittim
104
53.6
60.3
21-30
80
41.2
78.4
Herhangi bir takviye almadım
77
39.7
100.0
31-40
42
21.6
100.0
Toplam
194
100.0
Toplam
194
100.0
Çizelge 2’de öğrencilerin hem kurs bazında hem de ÖSYM bazında frekansları ve nispi frekansları
verilmiştir.
Sınıflar İçin Karar Ağacı
Çizelge 3 ve ekil 1’de görüleceği üzere, Sınıf ağaç derinliğinin en fazla 3 üst düğümdeki
minimum durumlar 50, Alt düğümdeki minimum durumlar 25’ten oluşmaktadır. Karar ağacına dahil
edilen bağımsız değişkenler, Sınıf ana kök ile 6 düğümden (daldan) oluşmaktadır. “Türevi
tanımlayabilirim ve Türev konusunu anlaşılır buluyorum.” fadeleri için terminal düğüm sayısı 4 ve ağaç
derinliği 2’dır.
“Türevi tanımlayabilirim.” ifadesi birinci derecede 3 düğüme ayrılmıştır. Birinci düğümde (node)
3 ve daha az puana sahip olanlar vardır. Burada; birinci sınıf öğrencileri 58 kişi ve %65.9, ikinci sınıf
öğrencileri 20 kişi ve %22.7, üçüncü sınıf öğrencileri 6 kişi ve %6.8 ve dördüncü sınıf öğrencileri 4 kişi
ve %4.5 ile toplamda 88 kişiden oluşmaktadır. kinci düğümde (node) 3 ile 4 arası (4 dahil) puana sahip
olanlar vardır. Burada; birinci sınıf öğrencileri 36 kişi ve %53.7, ikinci sınıf öğrencileri 13 kişi ve %19.4,
üçüncü sınıf öğrencileri 8 kişi ve %11.9 ve dördüncü sınıf öğrencileri 10 kişi ve %14.9 ile toplamda 67
kişiden oluşmaktadır. Üçüncü düğümde (node) 4’ten daha fazla puana sahip olanlar vardır. Burada;
birinci sınıf öğrencileri 8 kişi ve %20.5, ikinci sınıf öğrencileri 11 kişi ve %28.2, üçüncü sınıf öğrencileri
15 kişi ve %38.5 ve dördüncü sınıf öğrencileri 5 kişi ve %12.8 ile toplamda 39 kişiden oluşmaktadır.
“Türev konusunu anlaşılır buluyorum.” ifadesi, ikinci derecede iki terminal düğüme ayrılmıştır.
Dördüncü düğümde (node) 3 ve daha az puana sahip olanlar yer almıştır. Burada; birinci sınıf öğrencileri
37 kişi ve %77.1, ikinci sınıf öğrencileri 7 kişi ve %14.6, üçüncü sınıf öğrencileri 4 kişi ve %8.3 iken
dördüncü sınıf öğrencisi yoktur.

Dinçer ATASOY ve Hasan KARA
13(2), 1247-1255, 2023
Karar Ağacı Optimizasyon Algoritması üzerine Bir Çalışma
1250
Çizelge 3. Sınıflara Göre Karar Ağacı Tablosu
Model Özeti
Koşullar
Büyüme Metodu
CHAID
Bağımlı Değişken
sınıfınız
Bağımsız Değişkenler
Türevi tanımlayabilirim., Türev sorularını çözmeyi severim., Türevin geometrik anlamını
açıklayabilirim., Bir fonksiyonun türevi verildiğinde fonksiyon hakkında yorum
yapabilirim., Türevi verilen bir fonksiyonun kendisini bulabilirim., Türevin konusunu
anlaşılır buluyorum., Türevin alma kurallarını biliyorum., artan ve azalan fonksiyonlar ile
türev arasındaki ilişkiyi açıklayabilirim., Türev ile süreklilik arasındaki ilişkiyi
açıklayabilirim., Türevin günlük olaylarla ilişkilendirebilirim., Bir fonksiyonun türevini
sıfır yapan ya da türevin olmadığı noktalar kritik noktalardır., Türevi hayatımda bir çok
yerde kullanırım., Türev konusunda iddialıyım., Türev öğrenmemizin öğretmenlik
yaşantımızı kolaylaştıracağını düşünüyorum., Türev konusu gerçek yaşamda bilgilerle
bağlantılıdır., Türev konusu sıkıcı ve gereksizdir., Türev konusundan nefret ederim., Türev
konusunun ileriki yıllarda karşıma çıkmasını istemem (Kara, 2014; Atasoy ve Kara, 2021).
Geçerlilik
Çapraz Geçerlilik
Maksimum Ağaç
Derinliği
3
Üst Düğümdeki
Minimum Durumlar
50
Alt Düğümdeki
Minimum Durumlar
25
Sonuçlar
Dahil edilen Bağımsız
Değişkenler
Türevi tanımlayabilirim., Türevin konusunu anlaşılır buluyorum.
Düğüm Sayısı
6
Terminal Düğüm Sayısı
4
Derinlik
2
Beşinci düğümde (node) 3’ten daha fazla puana sahip olanlar vardır. Burada; birinci sınıf
öğrencileri 21 kişi ve %52.5, ikinci sınıf öğrencileri 13 kişi ve %32.5, üçüncü sınıf öğrencileri 2 kişi ve
%5.0 ve dördüncü sınıf öğrencileri 4 kişi ve %10.0 ile toplamda 40 kişiden oluşmaktadır.
ekil 2’de; birinci sınıf öğrencileri 102 kişi ve %52.6, ikinci sınıf öğrencileri 44 kişi ve %22.7,
üçüncü sınıf öğrencileri 29 kişi ve %14.9 ve dördüncü sınıf öğrencileri 19 kişi ve %9.8 ile toplamda 194
kişi Sınıf ana kökünü oluşturmaktadır.
Çizelge 4’e bakıldığında yeniden ikame ile çapraz geçerlilik ölçütü tahmin değerlerinin sırasıyla
0.438 ve 0.500 ile birbirine yakın değerler olması optimal bir durumun olduğunu göstermektedir (Ho,
2006).
Çizelge 4. Sınıf Bazında Risk Tablosu
Risk
Metod
Tahmin
Standart hata
Yeniden ikame
0.438
0.036
Çapraz geçerlilik ölçütü
0.500
0.036

Dinçer ATASOY ve Hasan KARA
13(2), 1247-1255, 2023
Karar Ağacı Optimizasyon Algoritması üzerine Bir Çalışma
1251
Şekil 2. Sınıf Bazında Karar Ağacı
Çizelge 5’te gözlenen ve tahmin edilen değerler görülmektedir. Bu algoritma birinci sınıf
öğrencilerini %92.2 oranında, üçüncü sınıf öğrencilerini %51.7 oranında ve toplamda ise %56.2
oranında doğru sınıflandırma yapılabilmektedir. kinci ve dördüncü sınıf öğrencileri sınıflandırmaya
dahil edilmemiştir.
Çizelge 5. Sınıf Bazında Sınıflandırma Tablosu
Sınıflandırma
Gözlenen
Tahmin edilen
Birinci sınıf
İkinci sınıf
Üçüncü sınıf
Dördüncü sınıf
Doğrulama
yüzdesi
Birinci sınıf
94
0
8
0
92.2%
kinci sınıf
33
0
11
0
0.0%
Üçüncü sınıf
14
0
15
0
51.7%
Dördüncü sınıf
14
0
5
0
0.0%
Genel Yüzde
79.9%
0.0%
0.201
0.0%0
56.2%

Dinçer ATASOY ve Hasan KARA
13(2), 1247-1255, 2023
Karar Ağacı Optimizasyon Algoritması üzerine Bir Çalışma
1252
BULGULAR VE TARTIŞMA
Kurs İçin Karar Ağacı
Şekil 3. Kurs Bazında Karar Ağacı
Kurs için ağaç diyagramı ekil 3’te verilmiştir. Üst düğümdeki minimum durumlar 50, Alt
düğümdeki minimum durumlar 25’ten oluşmaktadır. Kurs için ağaç diyagramı ana kök ile birlikte 4
daldan (düğümden) oluşmaktadır. “Türevi tanımlayabilirim” ifadesine göre ağaç diyagramı 3 terminal
düğüme ayrılmıştır.
Lise öğrenimi süresince “Sadece özel ders aldım” diyen öğrenciler 5 kişi ve %2.6, “Hem
dershaneye/etüt merkezine gittim hem de özel ders aldım” diyen öğrenciler 8 kişi ve %4.1, “Sadece
dershaneye/etüt merkezine gittim” diyen öğrenciler 104 kişi ve %53.9 ve “Herhangi bir takviye
almadım” diyen öğrenciler 77 kişi ve %39.7 ile toplamda 194 kişi Kurs ana kökünü oluşturmaktadır.
Kurs değişkeni birinci derecede “Türevi tanımlayabilirim” ifadesine göre üç terminal düğüme
ayrılmıştır. Birinci düğümde (node) 2 ve daha az puana sahip olanlar vardır. Burada “Sadece özel ders
aldım” diyen öğrenciler 2 kişi ve %1.6, “Hem dershaneye/etüt merkezine gittim hem de özel ders aldım”
diyen öğrenciler 4 kişi ve %3.2, “Sadece dershaneye/etüt merkezine gittim” diyen öğrenciler 77 kişi ve
%62.1 ve “Herhangi bir takviye almadım” diyen öğrenciler 41 kişi ve %48.4 ile toplamda 31 kişiden
oluşmaktadır.
kinci düğümde (node) 3 ile 4 arası (4 dahil) puana sahip olanlar vardır. Burada “Sadece özel ders
aldım” diyen öğrencileri 1 kişi ve %3.2, “Hem dershaneye/etüt merkezine gittim hem de özel ders aldım”
diyen öğrencileri 4 kişi ve %12.9, “Sadece dershaneye/etüt merkezine gittim” diyen öğrencileri 11 kişi
ve %35.5 ve “Herhangi bir takviye almadım” diyen öğrencileri 41 kişi ve %33.1 ile toplamda 124 kişiden
oluşmaktadır.
Üçüncü düğümde (node) 4’ten daha fazla puana sahip olanlar vardır. Burada; “Sadece özel ders
aldım” diyen öğrencileri 2 kişi ve %5.1, “Sadece dershaneye/etüt merkezine gittim” diyen öğrenciler 16
kişi ve %41.0 ve “Herhangi bir takviye almadım” diyen öğrenciler 21 kişi ve %53.8 ile toplamda 39
kişiden oluşmaktadır. “Hem dershaneye/etüt merkezine gittim hem de özel ders aldım” diyen öğrenciler
yoktur.

Dinçer ATASOY ve Hasan KARA
13(2), 1247-1255, 2023
Karar Ağacı Optimizasyon Algoritması üzerine Bir Çalışma
1253
Çizelge 6. Kurs Bazında Risk Tablosu
Risk
Metod
Tahmin
Standart hata
Yeniden ikame
0.418
0.035
Çapraz geçerlilik ölçütü
0.469
0.036
Çizelge 6’ya bakıldığında Resubstitution ile Cross-Validation tahmin değerleri sırasıyla 0.418 ve
0.469 ile birbirine yakın değerler olması optimal bir durumun olduğunu göstermektedir.
Çizelge 7. Kurs Bazında Sınıflandırma Tablosu
Sınıflandırma
Gözlenen
Tahmin edilen
Sadece özel
ders aldım
Hem
dershaneye/etüt
merkezine gittim
hem de özel ders
aldım
sadece
dershaneye/etüt
merkezine gittim
Herhangi bir
takviye
almadım
Doğrulama
yüzdesi
Sadece özel ders aldım
0
0
2
3
0.0%
Hem dershaneye/etüt
merkezine gittim hem de
özel ders aldım
0
0
4
4
0.0%
sadece dershaneye/etüt
merkezine gittim
0
0
77
27
74.0%
Herhangi bir takviye
almadım
0
0
41
36
46.8%
Genel Yüzde
0.0%
0.0%
63.9%
36.1%
58.2%
Çizelge 7’ye bakıldığında gözlenen ve tahmin edilen değerler görülmektedir. Bu algoritma
“Sadece dershaneye/etüt merkezine gittim” diyen öğrencileri %74.0 oranında, “Herhangi bir takviye
almadım” diyen öğrencileri %46.8 oranında ve toplamda ise %58.2 oranında sınıflandırmaktadır.
“Sadece özel ders aldım” diyen ve “Hem dershaneye/etüt merkezine gittim hem de özel ders aldım”
diyen öğrenciler sınıflandırmaya dahil edilmemiştir.
ÖSYM İçin Karar Ağacı
Şekil 4. ÖSYM Bazında Karar Ağacı
ekil 4’e bakıldığında ÖSYM ağaç derinliğinin en fazla 3 üst düğümdeki minimum durumlar 50,
Alt düğümdeki minimum durumlar 25’ten oluşmaktadır. Karar ağacına dahil edilen bağımsız değişken
ÖSYM ana kök ile 8 daldan(düğümden) oluşmaktadır. “Türevin geometrik anlamını açıklayabilirim.,

Dinçer ATASOY ve Hasan KARA
13(2), 1247-1255, 2023
Karar Ağacı Optimizasyon Algoritması üzerine Bir Çalışma
1254
Türev ile süreklilik arasındaki ilişkiyi açıklayabilirim., Türev öğrenmemizin öğretmenlik yaşantımızı
kolaylaştıracağını düşünüyorum.” terminal düğme sayısı 5 ve ağaç derinliği ise 2’dir.
ÖSYM alan sınavındaki 40 sorudan 1-10 arası doğru yapan öğrenciler 8 kişi ve %4.1, 11-20 arası
doğru yapan öğrenciler 64 kişi ve %33, 21-30 arası doğru yapan öğrenciler 80 kişi ve %41.2 ve 31-40
arası doğru yapan öğrenciler 42 kişi ve %21.6 ile toplamda 194 kişi Kurs ana kökünü oluşturmaktadır.
“Türevin geometrik anlamını açıklayabilirim.” Başlığı altındaki ağaç dilimi iki gruba ayrılıyor.
Birinci düğümde (node) 3 ve daha az puana sahip olanlar vardır. 1-10 arası doğru yapan öğrenciler 3 kişi
ve %2.3, 11-20 arası doğru yapan öğrenciler 59 kişi ve %45.7, 21-30 arası doğru yapan öğrenciler 52
kişi ve %40.3 ve 31-40 arası doğru yapan öğrenciler 15 kişi ve %11.6 ile toplamda 129 kişiden
oluşmaktadır (Atasoy ve Kara, 2021).
kinci düğümde (node) 3’ten fazla puana sahip olanlar vardır. 1-10 arası doğru yapan öğrenciler 5
kişi ve %7.7, 11-20 arası doğru yapan öğrenciler 5 kişi ve %7.7, 21-30 arası doğru yapan öğrenciler 28
kişi ve %43.1 ve 31-40 arası doğru yapan öğrenciler 27 kişi ve %41.5 ile toplamda 65 kişiden
oluşmaktadır.
“Türev ile süreklilik arasındaki ilişkiyi açıklayabilirim.” Başlığı altındaki ağaç dilimi üç gruba
ayrılıyor. Birinci düğümde (node) 2 ve daha az puana sahip olanlar, kinci düğümde (node) 2 ile 3 arası
(3 dahil) puana sahip olanlar vardır. Üçüncü düğümde (node) 3’ten daha fazla puana sahip olanlar vardır.
“Türev öğrenmemizin öğretmenlik yaşantımızı kolaylaştıracağını düşünüyorum.” Başlığı
altındaki ağaç dilimi iki gruba ayrılıyor. Birinci düğümde (node) 4 ve daha az puana sahip olanlar, kinci
düğümde (node) 4’ten daha fazla puana sahip olanlar vardır.
Çizelge 8. ÖSYM Bazında Risk Tablosu
Risk
Metod
Tahmin
Standart hata
Yeniden ikame
0.500
0.036
Çapraz geçerlilik ölçütü
0.639
0.034
Çizelge 8’e bakıldığında Resubstitution ile Cross-Validation tahmin değerleri sırasıyla 0.500 ve
0.639 ile birbirine yakın değerler olması optimal bir durumun olduğunu göstermektedir.
Çizelge 9. ÖSYM Bazında Sınıflandırma Tablosu
Sınıflandırma
Gözlenen
Tahmin edilen
1-10
11-20
21-30
31-40
Doğrulama yüzdesi
1-10
0
2
5
1
0.0%
11-20
0
25
37
2
39.1%
21-30
0
15
50
15
62.5%
31-40
0
1
19
22
52.4%
Genel Yüzde
0.0%
22.2%
57.2%
20.6%
50.0%
Çizelge 7’ye bakıldığında gözlenen ve tahmin edilen değerler görülmektedir. Bu algoritma 11-20
arası doğru yapan öğrencileri %39.1 oranında, 21-30 arası doğru yapan öğrencileri %62.5 oranında ve
31-40 arası doğru yapan öğrencileri %52.4 oranında ve toplamda ise %50 oranında sınıflandırmaktadır.
1-10 arası doğru yapan öğrencileri sınıflandırmaya dahil etmemiştir.
SONUÇ
Tüm sonuçlarda Cross-Validation tahmini değerlerinin birbirine yakın olduğu gözlenmiş
olduğundan dolayı en iyi sonuç(optimum) elde edilmiştir. Sınıf ağaç derinliği en fazla 3 olmuştur. Üst
düğümdeki minimum durum sayısı 50 alt düğümdeki minimum durum sayısı ise 25 olarak belirlenmiştir.
Karar ağacına dahil edilen bağımsız değişkenler sınıf ana kök ile 6 daldan(düğümden) oluşmaktadır.

Dinçer ATASOY ve Hasan KARA
13(2), 1247-1255, 2023
Karar Ağacı Optimizasyon Algoritması üzerine Bir Çalışma
1255
“Türevi tanımlayabilirim, Türev konusunu anlaşılır buluyorum.” fadeleri için terminal düğme sayısı 4
ve ağaç derinliği ise 2 olmuştur. Kurs değişkeni için ağaç 3 terminal düğümden oluşmuştur. “Türevi
tanımlayabilirim” ifadesinde terminal düğüm sayısı 3 ve ağaç derinliği 1’dir. ÖSYM ana kök ile 8 daldan
(düğümden) oluşmaktadır. “Türevin geometrik anlamını açıklayabilirim., Türev ile süreklilik arasındaki
ilişkiyi açıklayabilirim., Türev öğrenmemizin öğretmenlik yaşantımızı kolaylaştıracağını
düşünüyorum.” terminal düğme sayısı 5 ve ağaç derinliği ise 2’dir. Önerilen metodolojinin, tahmin
algoritması seçiminin her dönemde en iyi seçim olduğunun onaylanmasından oluşan adım dizisini
incelenmiştir. Bu uygulanan adımların bu tür çalışmalarda kullanılması uygun olacaktır.
Çıkar Çatışması
Makale yazarları aralarında herhangi bir çıkar çatışması olmadığını beyan ederler.
Yazar Katkısı
Yazarlar makaleye eşit oranda katkı sağlamış olduklarını beyan eder.
KAYNAKLAR
Anonim. (2022). Machine learning vs deep learning vs artificial ıntelligence know in-depth difference.
URL: https://www.analyticsvidhya.com. (accesed date:June14, 2021).
Atasoy, D. ve Kara, H. (2021). Matematik bölümünde okuyan öğrencilerin türev konusu hakkındaki
tutumları. 2. Uluslararası Al Farabi Uygulamalı Bilimler Kongresi, 2-4 Mayıs 2021, Bakü,
Azerbaycan.
Dalkılıç, H., Dalkılıç, F. (2015). Karar ağaçları destekli vadeli mevduat analizi. Akademik Bilişim
Konferansı, 4-6 ubat 2015, Eskişehir.
Ho, R. (2006). Handbook of univariate and multivariate data analysis and interpretation with SPSS.
New York: Taylor & Francis Group LLC.
Kalaycı, . (2006). SPSS uygulamalı çok değişkenli istatistik teknikleri. Ankara: Asil Yayın Dağıtım.
Kara, M. (2014). İlköğretim matematik öğretmen adaylarının türev konusuna yönelik tutumları
(Necmettin Erbakan Üniversitesi Eğitim Bilimleri Enstitüsü Yüksek lisans tezi). YÖK veri
tabanından erişildi (Erişim No:383623.)
Kozak, J. (2019). Decision tree and ensemble learning based on ant colony optimization. springer
ınternational publishing, 30-34.
Rokach, L. (2010). Data mining and knowledge discovery handbook. New York: Springer International
Publishing.