Bulanık Eşleşme Yöntemi ile Veri Setlerindeki Hatalı Girişlerin Düzeltilmesi ve Makine Öğrenmesi Performansına Etkisi
Black Sea Journal of Engineering and Science · 15.07.2026 · 9 (4) · 2055-2064
DOI: 10.34248/bsengineering.1903764 ↗Kurz gefasst
Fachartikel in der Zeitschrift Black Sea Journal of Engineering and Science, online erschienen am 15.07.2026. Verfasst von Ahmet Tezcan Tekin. Die Arbeit nennt 25 Literaturangaben.
Abstract (Originalsprache)
Veri kalitesi, makine öğrenmesi modellerinin başarısını doğrudan etkileyen en kritik faktörlerden biridir. Gerçek dünya veri setlerinde sıklıkla karşılaşılan yazım hataları, tutarsız kodlamalar ve standart dışı girişler, model eğitim sürecini olumsuz yönde etkilemektedir. Bu çalışma, bulanık eşleşme (fuzzy matching) yöntemlerinin veri ön işleme aşamasında hatalı girişlerin tespiti ve düzeltilmesindeki rolünü incelemektedir. Levenshtein mesafesi, Jaro-Winkler benzerliği ve n-gram tabanlı yaklaşımlar gibi temel bulanık eşleşme algoritmalarının matematiksel temelleri sistematik biçimde ele alınmış ve bu yöntemlerin kategorik değişkenlerdeki tutarsızlıkları gidermede nasıl kullanılabileceği tartışılmıştır. Çalışmada, 10.000 kayıttan oluşan sentetik bir müşteri segmentasyonu veri setine kontrollü biçimde yazım hataları, büyük/küçük harf tutarsızlıkları, kısaltma farklılıkları ve transpozisyon hataları enjekte edilmiştir. Jaro-Winkler benzerliğine dayalı üç aşamalı bir düzeltme pipeline'ı uygulanarak hatalı girişlerin %96,3'ü başarılı biçimde düzeltilmiştir. Düzeltilmiş ve düzeltilmemiş veri setleri üzerinde Lojistik Regresyon, Karar Ağacı, Rastgele Orman ve XGBoost gibi sınıflandırma algoritmalarının performansları karşılaştırmalı olarak değerlendirilmiştir. Deneysel sonuçlar, bulanık eşleşme tabanlı veri düzeltmenin tüm modellerde F1 skorunu ortalama +8,9 yüzde puan artırdığını ve düzeltilmiş veri setinin orijinal hatasız veriye çok yakın performans ürettiğini ortaya koymuştur. Ayrıca düzeltme işleminin one-hot encoding sonrası öznitelik uzayını %38 oranında daraltarak hesaplama verimliliğini de önemli ölçüde iyileştirdiği gözlemlenmiştir.
Zitieren
APA
Tekin, A. T. (2026). Bulanık Eşleşme Yöntemi ile Veri Setlerindeki Hatalı Girişlerin Düzeltilmesi ve Makine Öğrenmesi Performansına Etkisi. Black Sea Journal of Engineering and Science, 9(4), 2055-2064. https://doi.org/10.34248/bsengineering.1903764
Vancouver
Tekin AT. Bulanık Eşleşme Yöntemi ile Veri Setlerindeki Hatalı Girişlerin Düzeltilmesi ve Makine Öğrenmesi Performansına Etkisi. Black Sea Journal of Engineering and Science. 2026;9(4):2055-2064. doi:10.34248/bsengineering.1903764
BibTeX
@article{Tekin2026,
author = {Tekin, Ahmet Tezcan},
title = {Bulanık Eşleşme Yöntemi ile Veri Setlerindeki Hatalı Girişlerin Düzeltilmesi ve Makine Öğrenmesi Performansına Etkisi},
journal = {Black Sea Journal of Engineering and Science},
year = {2026},
volume = {9},
number = {4},
pages = {2055--2064},
doi = {10.34248/bsengineering.1903764}
}
EUVIMED