Gradient Boosting
Gradient Boosting, MerQur’da otomatik uygulanan istatistiksel analizlerden biridir. Bu sayfada Eğitim Bilimleri alanına ait örnek veri seti üzerinde analizin nasıl uygulandığı, MerQur çıktısının nasıl görüneceği ve APA 7 formatında nasıl raporlanacağı temsilî olarak gösterilmiştir.
🎯 Ne işe yarar?
Gradient Boosting, ilgili veri türü için gerekli tüm varsayım kontrollerini (normallik, varyans homojenliği, vb.) arka planda otomatik uygular ve sonuçları açık bir tablo + grafik ile sunar. APA 7 standardında otomatik yorumlama, Cohen’s d/η²/R² gibi etki büyüklükleri ve %95 güven aralıkları raporlanır.
📌 Ne zaman kullanılır?
- Eğitim Bilimleri alanına ait ölçümlerin istatistiksel analizinde
- Akademik yayın için APA 7 uyumlu sonuç tabloları üretmek için
- Hipotez sınama ve karar verme süreçlerinde
- Lisans / yüksek lisans / doktora tezlerinde uygun yöntem seçimi sonrasında
📐 Varsayımlar
- Uygun ölçek — Değişkenler analizin gerektirdiği ölçek düzeyinde (nominal/ordinal/aralık/oran) olmalı
- Bağımsız gözlemler — Gözlemler birbirinden bağımsız bireylerden gelmiş olmalı
- Yeterli örneklem — Analiz için minimum n gereksinimi karşılanmalı
- Aykırı değer kontrolü — Aykırı değerler tespit edilip değerlendirilmeli
Varsayımlar bozulursa MerQur otomatik olarak non-parametrik veya sağlam (robust) alternatife yönlendirir.
🛠 MerQur’da Nasıl Yapılır?
Veriyi yükle. Dosya → Aç menüsünden örnek dosyayı seç. MerQur sütun tiplerini otomatik tespit eder.
Analizi seç. Sol kenardan Gradient Boosting‘yi seç.
Panel atamaları (programdaki form alanları):
- error:
cats() got an unexpected keyword argument 'max_unique'
Opsiyonel ayarlar. Etki büyüklüğü ✓ · %95 güven aralığı ✓ · Varsayım kontrolleri (otomatik).
▶ Çalıştır butonuna bas. Sonuçlar tablo + grafik olarak otomatik üretilir.
📄 Word’e Aktar. APA 7 formatında, italik istatistik sembolleriyle rapor.
📊 Örnek Veri Seti — Eğitim Bilimleri
ℹ Not: Aşağıdaki senaryo, MerQur çıktısı ve yorum, gerçek örnek veri seti MerQur’da çalıştırılarak elde edilmiştir. Kendi verinizdeki sayısal sonuçlar farklılık gösterecektir; buradaki amaç analizin uçtan uca nasıl kurgulandığını ve yorumlandığını göstermektir.
🎬 Örnek Dosya
Bu analiz, Eğitim Bilimleri alanına ait aşağıdaki örnek veri seti üzerinden gösterilmiştir:
Egitim_Bilimleri/65_gb_school_dropout_risk.xlsx
🎬 Senaryo
Öğrencilerin okulu bırakma riskini erken dönemde belirlemek istiyoruz. Not ortalaması (GPA), devamsızlık sayısı (absenteeism), sınıf içindeki gürültü düzeyi (sound) ve aile katılımının varlığı (parent_joint) değişkenlerinden yararlanarak, school_dropout_risk değişkenindeki low ve medium düzeylerini sınıflandırmayı amaçlıyoruz. Zayıf öğrenicileri ardışık olarak düzelterek yüksek tahmin gücü sağlayan Gradient Boosting, bu tür risk sınıflandırması için oldukça etkili bir yöntemdir.
⚙️ Değişken Seçimi
- Bağımlı değişken (hedef): school_dropout_risk (low, medium)
- Öngörücüler: GPA
- Öngörücüler: absenteeism
- Öngörücüler: sound
- Öngörücüler: parent_joint
Veri Önizleme (İlk 5 Satır)
| student_id | GPA | absenteeism | sound | parent_joint | school_dropout_risk |
|---|---|---|---|---|---|
| 1 | 1.97 | 8 | 2 | 0 | low |
| 2 | 2.91 | 6 | 2 | 1 | low |
| 3 | 1.09 | 14 | 1 | 1 | medium |
| 4 | 2.36 | 15 | 2 | 0 | low |
| 5 | 3.5 | 12 | 1 | 1 | low |
n = 280 · Sütunlar: student_id, GPA, absenteeism, sound, parent_joint, school_dropout_risk
📈 MerQur Çıktısı
💬 MerQur Yorumu
Okul terk riskini çevresel/akademik değişkenlerden Gradient Boosting ile tahmin ettik. Boosting, ağaçları ardışık olarak ekleyip her yeni ağacın önceki hataları düzeltmesini sağlayan güçlü bir yöntemdir; doğruluk %96.4 ile çok yüksek. Bu, erken uyarı sistemleri için kritik: model riskli öğrencileri yüksek doğrulukla belirleyebiliyor. Random Forest ağaçları paralel kurarken, Boosting onları ardışık (hatayı kovalayarak) kurar; genelde daha yüksek doğruluk verir ama aşırı uyuma daha yatkındır, dikkatli ayar ister. Okul terkini öngörüp müdahale etmek için değerli bir araçtır.
⚠ Sık Yapılan Hatalar
- Veri tipini yanlış belirlemek (örn. kategorik değişkeni numerik olarak yüklemek)
- Varsayım kontrollerini atlayıp doğrudan p-değerine bakmak
- Etki büyüklüğünü raporlamamak — APA 7 hem p hem etki büyüklüğü ister
- Çoklu karşılaştırmada Tip I hatası düzeltmesi (Bonferroni/Tukey) yapmamak
- n yetersiz olduğunda non-parametrik alternatife geçmemek
📹 Video Anlatım
Bu analizin Eğitim Bilimleri dosyası üzerinden uçtan uca uygulanışı için aşağıdaki videoyu izleyebilirsin.
▶ Gradient Boosting Sınıflandırma — video anlatım
Bu bölüm, Sınıflandırma videosunun içinde yer alıyor (7 analiz, tek video). Aşağıdaki bağlantı doğrudan 9:19 dakikasından, bu analizin anlatıldığı yerden başlar.
🧪 Fen Bilimleri ve Matematik · 🏛 Mimarlık, Planlama ve Tasarım · ⚙ Mühendislik · 🏥 Sağlık Bilimleri · 📊 Sosyal, Beşeri ve İdari Bilimler · 🏃 Spor Bilimleri · 🌾 Ziraat, Orman ve Su Ürünleri
📚 Bu Analizi Yaptıysanız MerQur’u Atıf Yapın
MerQur’u kullanarak bilimsel bir çalışmada bu analizi gerçekleştirdiyseniz, akademik atıf zorunluluğu kapsamında lütfen aşağıdaki atfı kullanın (APA 7):
Örücü, Ö. K. (2026). MerQur: Bütünleşik Akademik Veri Analizi ve Raporlama Platformu [Bilgisayar Yazılımı] (Sürüm 1.0.0). https://doi.org/10.53463/merqur.2026001
BibTeX, RIS, EndNote ve İngilizce karşılığı için: tüm atıf formatları →
- American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.).
- Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). Sage.
- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.