t-SNE

Boyut İndirgeme · Görselleştirme

t-SNE, 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?

t-SNE, 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 t-SNE‘yi seç.

Panel atamaları (programdaki form alanları):

Sütunlar: [ogrenci_id, madde_01, madde_02, +10 daha]
perplexity: 15
n_iter: 500
Eksik strateji: drop

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/70_tsne_student_5tip.xlsx

🎬 Senaryo

Öğrencileri on iki maddelik bir ölçekteki yanıtlarına göre iki boyutlu bir haritada görselleştirmek istiyoruz. item_01’den item_12’ye kadar olan maddeleri kullanarak, öğrencilerin student_type değişkenindeki A, B, C, D ve E tiplerine göre nasıl kümelendiğini incelemeyi amaçlıyoruz. Yüksek boyutlu verideki yerel benzerlikleri koruyarak görsel ayrışmayı ortaya çıkaran t-SNE, bu öğrenci tipi haritalama amacı için oldukça uygun bir yöntemdir.

⚙️ Değişken Seçimi

Maddeler (items): item_01
Maddeler (items): item_02
Maddeler (items): item_03
Maddeler (items): item_04
Maddeler (items): item_05
Maddeler (items): item_06
Maddeler (items): item_07
Maddeler (items): item_08
Maddeler (items): item_09
Maddeler (items): item_10
Maddeler (items): item_11
Maddeler (items): item_12
Renklendirme/etiket: student_type (A, B, C, D, E)

Veri Önizleme (İlk 5 Satır)

student_id	student_type	item_01	item_02	item_03	item_04	item_05	item_06	item_07	item_08	item_09	item_10
1	A	0.526	-1.227	0.76	-0.031	-0.955	-0.869	0.081	-0.74	-0.089	0.265
2	A	0.84	-0.857	1.077	1.254	-0.217	0.022	-0.482	0.274	-1.296	-0.546
3	A	0.615	1.029	1.166	-0.011	-0.311	-0.984	-0.338	-0.072	-0.492	-0.475
4	A	1.515	-0.624	0.349	-0.33	1.909	-1.083	-0.445	1.247	-0.446	-1.828
5	A	-0.559	0.506	0.057	-0.502	-0.402	2.799	0.444	-1.238	0.438	-0.69

n = 125 · Sütunlar (ilk 12 sütun): student_id, student_type, item_01, item_02, item_03, item_04, item_05, item_06, item_07, item_08, item_09, item_10

📈 MerQur Çıktısı

T-SNE SONUCU ───────────────────────────────────────────── KL Divergence (fit kalitesi) = 0.519 -> iyi 12 maddelik profil (5 öğrenci tipi) 2 boyuta indirgendi

💬 MerQur Yorumu

t-SNE, yüksek boyutlu öğrenci profil verisini (12 madde) iki boyutlu bir görsele düşüren doğrusal olmayan bir yöntemdir. PCA’dan farkı: yerel komşulukları korumaya odaklanır, yani benzer öğrenciler haritada birbirine yakın düşürülür; gizli grup yapısını görmek için idealdir. KL divergence 0.52 ile indirgeme kalitesi iyi; beş öğrenci tipi haritada görülebilir kümeler oluşturuyor. Önemli uyarı: t-SNE ekseni ve kümeler arası mesafe yorumlanmaz, sadece kümelenme deseni anlamlıdır. Öğrenci tiplerini görsel olarak keşfetmek için güçlü 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.

▶ t-SNE — video anlatım

Bu bölüm, Kümeleme ve Boyut İndirgeme videosunun içinde yer alıyor (4 analiz, tek video). Aşağıdaki bağlantı doğrudan 1:54 dakikasından, bu analizin anlatıldığı yerden başlar.

▶ Bu analizi izle (1:54) 📺 Tüm videolar

🔀 Aynı analizi diğer Temel Alanlarda:
🧪 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 →

Kaynaklar:

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.