Nurhan HALİSDEMİR, Enes FİLİZ, Yunus GÜRAL, Mehmet GÜRCAN

Doğanın İnsan Yaşamı Üzerine Etkilerinin Karar Ağacı Algoritmaları İle İncelenmesi

Amaç: Bu çalışmanın amacı, elde edilen verileri farklı makine öğrenmesi algoritmaları yardımıyla sınıflandırmaktır. Gereç ve Yöntemler: Psikiyatri polikliniğine gelen anksiyete, depresyon ve stres şikâyetlerinden dolayı psikolojik tedavi almak isteyen 195 hastaya mutluluk, yaşam doyumu ve umutsuzluk ölçekleri ve kişisel bilgi formu uygulanmıştır. Bu sınıflandırmada bağımlı değişken olarak mutluluk seçilmiş ve bu değişkeni etkileyen faktörler eğitim, test ve çapraz doğrulama gibi farklı yöntemlerle belirlenmiştir. Bulgular: k=10 değeri için karar ağacı algoritmaları arasında en başarılı sınıflandırma sonucunu KA- RF (0,9180) vermiştir. Bu sonucu RMSE (0,2810), ROC alanı (0,9760) ve MCC (0,8400) kriterleri desteklemektedir. Ayrıca çalışmaya katılan bireylerin mutlu ya da mutsuz olma düzeylerini en çok etkileyen değişkenler sırasıyla yaşam doyumu, yaş ve sıkıntılarla baş etme becerisi olarak bulunmuştur. Sonuç: Sonuç olarak, elde edilen bulgular doğrultusunda insanların yaşam alanlarının başta anksiyete, depresyon ve strese bağlı rahatsızlıklarının tedavisinde özellikle yaşam alanlarının olumlu etkilerinin yanı sıra çevresel ve sosyal faktörlerin etkilerinin de bulunduğu tespit edilmiştir.

Analysis of the Effects of Nature on Human Life with Decision Tree Algorithms

Aim: The aim of this study is to classify the obtained data correctly using machine learning algorithms. Material and Methods: Happiness, life satisfaction and hopelessness scales with personal information form were applied to 195 patients who came to the psychiatry clinic and wanted to receive psychological treatment due to their anxiety, depression and stress complaints. In this classification, theh happiness core was chosen as the dependent variable and the factors affecting this variable were determined by different methods such as training, test, and cross- validation. Results: KA-RF (0.9180) gave the most successful classification result among decision tree algorithms for k = 10 value. This result is supported by the criteria RMSE (0.2810), ROC area (0.9760) and MCC (0.8400). In addition, the variables that most affect the level of happiness or unhappiness of the participants in the study were found to be life satisfaction, age, and the ability to cope with difficulties, respectively. Conclusion: In line with the findings obtained as a result, it was determined that the effects of environmental and social factors as well as the positive effects of especially living spaces were found in the treatment of anxiety, depression and stress-related disorders.

PDF

___

1. Ulaş H, Binbay Tİ, Alptekin K. Klinik psikiyatri araştırmalarında maddi çıkar çatışması: Bir gözden geçirme. Türk Psikiyatri Dergisi 2008;19(4):418-426.
2. Baltaş Z, Baltaş A. Stres ve Başaçıkma Yolları, Remzi Kitabevi, İstanbul, 2004.
3. Who. Depression. http://www.who.int/mental_health/ management/depression /definition/en/print.htm 2009.
4. Cox RH. Sport Psychology: Concepts and Applications. 7th Edition, New York: McGraw-Hill, 2012: 297-298.
5. Frederick C. Effects of natural vs. human induced violence upon victims. Evaluation Change 1980; Special Issue: 71-75
6. Doğan O. Ruhsal Bozuklukların Epidemolojisi. Cumhuriyet Üniversitesi Tıp Fakültesi Psikiyatri A.B.D Dilek Matbaası, Sivas, 1995.
7. Passer MW, Smith RE. Psychology: The science of mind and behaviour. Boston: McGraw-Hill Higher Education, 2008.
8. Ulrich R. Natural versus urban scenes: Some psychological effects. Environment and Behavior 1981;13 (5):523-556.
9. Ataç E. Suçun kentsel mekândaki algısı: Güvensizlik hissi. Dosya: Kent ve suç. TMMOB Mimarlar Odası Ankara Şubesi Bülten 2007;55.
10. Karalar R, Kiracı H. Tüketim düşüncesi. Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü Dergisi 2011;30: 63-76.
11. Rachman S. Anxiety. Hove: Psychology Press; New York: Taylor & Francis, 2004.
12. Freud S. Mouning and melancholia. In J. Strachey (Ed. and trans.), Standart edition of the complete psychological works of Sigmund Freud. London: Hogarth Press, 1957.
13. Beck AT. Cognitive therapy and the emotinal disorders. New York: International Universities Press, 1976.
14. Wallace RK, Dillbeck M, Jacobe E, Harrington B. The effects of the transcendental meditation and TM-Siddhi program on the aging process. Int J Neurosci 1982;16: 53-58.
15. Han J, Kamber M, Pei J. Data Mining: Concepts and Techniques. 3rd Edition, Morgan Kaufmann. 2011.
16. Rokach L, Maimon O. Decision Trees. Data Mining and Knowledge Discovery Handbook, Springer, 2005, 165-192.
17. Dangare CS, Apte SS. Improved study of heart disease prediction system using data mining classification techniques. International Journal of Computer Applications 2012;47(10): 44-48.
18. Quinlan JR. C4.5: Programs for machine learning. San Mateo, California: Morgan Kaufman publishers, 2014.
19. Kama FE. Yaşam ortamının insan psikolojisi üzerine etkileri. Yüksek Lisans Tezi. F.Ü. Fen Bilimleri Enstitüsü 2019.
20. Breiman L, Friedman JH, Olshen RA, Stone CJ. Classification and regression trees. CRC Press, 1984.
21. Erpolat S, Öz E. Kanser verilerinin sınıflandırılmasında yapay sinir ağları ile destek vektör makineleri’nin karşılaştırılması. İstanbul Aydın Üniversitesi Dergisi 2010;2(5): 71-83.
22. Filiz E, Oz E. Finding the Best Algorithms and Effective Factors in Classification of Turkish Science Student Success. Journal of Baltic Science Education 2019;18(2): 239-253.
23. Breiman L. Random forests. Machine Learning 2001;45(1): 5-32.
24. Chen XW, Liu M. Prediction of protein-protein interactions using random decision forest framework. Bioinformatics 2005; 21(24): 4394-4400.
25. Kalmegh S. Analysis of WEKA data mining algorithm REPTree, Simple CART and RandomTree for classification of Indian news. International Journal of Innovative Science, Engineering & Technology 2015;2( 2): 438-446.
26. Srinivasan DB, Mekala P. Mining social networking data for classification Using REPTree. International Journal of Advance Research in Computer Science and Management Studies 2014;2(10):155-160.
27. Frank E, Hall MZ, and Witten IH. The WEKA Workbench. Online Appendix for Data Mining: Practical Machine Learning Tools and Techniques, Fourth Edition, 2016.
28. Diener E, Suh ME, Lucas ER, Smith H. Subjective well-being: Three decades of progress. Psychological Bulletin 1999;125 (2): 276-302.
29. Michalos CA. Education, happiness and well-Being. Social Indicators Research 2008;87(3): 347-366.
30. Kangal A. Mutluluk üzerine kavramsal bir değerlendirme ve türk hanehalkı için bazı sonuçlar. Electronic Journal of Social Sciences 2013;12(44): 214-233.
31. Azar AT, Elshazly HI, Hassanien AE, Elkorany AM. A random forest classifier for lymph diseases. Comput Methods Programs Biomed. 2014;113(2): 465-473.
32. Steele AJ, Denaxas SC, Shah AD, Hemingway H, Luscombe NM. Machine learning models in electronic health records can outperform conventional survival models for predicting patient mortality in coronary artery disease. PLoS One 2018;13(8):e0202344.
33. Shrestha A, Bergquist S, Montz E, Rose S. Mental health risk adjustment with clinical categories and machine learning. Health Services Research 2018;53: 3189-3206.
34. Buettner R, Schunter M. Efficient machine learning based detection of heart disease. IEEE International Conference on E-health Networking, Application & Services (HealthCom). 2019: 1-6.