Açıklanabilir yapay zeka kullanarak turnover riskinin yönetimi
Managing turnover risk using explainable artificial intelligence
- Tez No: 1001068
- Danışmanlar: PROF. DR. OĞUZ FINDIK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çalışan devir oranı, işletmelerden belirli süreler içerisinde ayrılan çalışanların sayısını göstermektedir. Yüksek çalışan devir oranı, işletmeler için önemli zorluklarından biridir. Bu durum sadece çalışan memnuniyetsizliğini göstermekle kalmaz aynı zamanda işletmeler için ciddi maliyet artışlarına ve verimlilik kayıplarına yol açmaktadır. Bu nedenle yüksek çalışan devir oranı işletmelerin genel performansı açısından kritik bir öneme sahiptir. Literatürde çalışan devir oranı tahmini için Destek Vektör Makineleri (SVM), Rastgele Orman gibi klasik makine öğrenmesinin yanı sıra derin öğrenme algoritmaları da kullanılmıştır.Çalışanların işten ayrılıp ayrılmamasını etkileyen özellikler bilinmediği için işyerleri devir oranını tespit etmekte zorlanmaktadır. Bu durumu ortadan kaldırmak için bu tez çalışmasında özellik çıkarma işlemi yaparak hangi özelliğin etkili olduğu tespit edilmiştir. Tespit etmek için klasik makine öğrenmesi modelleri olan Rastgele Orman, Karar Ağacı, LightGBM ve XGBoost gibi ağaç tabanlı modellerin yanı sıra Lojistik Regresyon gibi doğrusal modeller ve Açıklanabilir Yapay Zekâ araçları olan modelin iç işleyişini anlamak için SHAP ve LIME kullanılmıştır. SHAP, makine öğrenmesi modelinin tahminlerini açıklayarak özellik katkılarını belirlerken, LIME test setinden seçilen örnekler üzerinden tahmin edilen özelliklerin nedenlerini lokal olarak açıklamaktadır. Kullanılan veri setlerindeki dengesizlik, doğru tahmin yapmayı zorlaştıran temel sorunlardan biridir. Bu dengesizliği gidermek amacıyla ROS yöntemi kullanılmaktadır. ROS yöntemi örnek sayısı az olan sınıfa ait örneklerin sayısını artırarak veri setini dengeler ve modelin her iki sınıfı da eşit derecede öğrenmesini sağlamaktadır. Kullanılan makine öğrenmesi yöntemlerine ve açıklanabilir yapay zekâ yöntemlerinin hepsine eşik değeri verilmiştir ve bu eşik değerleri kullanılarak özellik çıkarma işlemi yapılarak en etkili özellikler bulunmuştur. Eşik değeri sonucunda çıkan en önemli özellikleri birleştirerek, çoğunluk oylamasına göre en az dört farklı yöntemde çıkan en önemli özellikler listelenmiştir. Listelenen özelliklerin doğruluk skorunu test etmek için SVM modeli eğitilmiştir. Kullanılan eşik değerleri 0.005, 0.01, 0.02, 0.04 ve 0.06 'dir. En iyi eşik değeri 0,02 olarak belirlenmiştir ve bu eşik değeri ile SVM modelinin doğruluk oranı 0,86'dan 0,997'e yükselerek %15,93 oranında başarı göstermiştir.
Özet (Çeviri)
Employee turnover refers to the number of employees who leave a company within a specified period. High employee turnover rates are a major challenge for businesses. This situation not only demonstrates employee dissatisfaction but also leads to significant cost increases and productivity losses for businesses. Therefore, a high employee turnover rate is critically important for the overall performance of businesses. In the literature, both classical machine learning algorithms, such as the Support Vector Machine (SVM) and Random Forest, as well as deep learning algorithms, have been employed for predicting employee turnover. However, workplaces struggle to determine employee turnover because the factors that influence whether employees leave or stay are unknown. To resolve this issue, this thesis employs feature extraction to identify the most effective feature. To detect the problem, classic machine learning models such as tree-based models like Random Forest, Decision Tree, LightGBM, and XGBoost, as well as linear models like Logistic Regression and Explainable Artificial Intelligence tools like SHAP and LIME, were used to understand the internal workings of the model. SHAP explains the machine learning model's predictions, identifying feature contributions while providing local explanations for the predicted features through samples selected from the LIME test set. Imbalances in the datasets used are one of the primary issues that make accurate predictions challenging. The ROS method is used to address this imbalance. By increasing the number of samples belonging to the class with fewer samples, ROS balances the dataset, allowing the model to learn both classes equally. All machine learning methods and explainable artificial intelligence methods used were assigned threshold values, and feature extraction was performed using these threshold values to find the most effective features. By combining the most important features resulting from the threshold value, a list of the most important features obtained using at least four different methods based on majority voting has been created. The SVM model was trained to test the accuracy score of the listed features. The threshold values used were 0.005, 0.01, 0.02, 0.04, and 0.06. The optimal threshold value was determined to be 0.02, and with this threshold value, the accuracy of the SVM model increased from 0.86 to 0.997, achieving a success rate of %15.93.
Benzer Tezler
- Sentiment-driven forecasting of short-term asset price directions using large language models
Büyük dil modelleri kullanarak varlık fiyatlarının kısa vadeli yönlerinin duygu odaklı tahmini
AHMET BERKAY GÜLTEKİN
Yüksek Lisans
İngilizce
2025
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ALP ÜSTÜNDAĞ
- Açıklanabilir yapay zeka kullanarak saldırı tespit sistemi geliştirme
Developing an intrusion detection system using explainable artificial intelligence
SAMED AL
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgi Güvenliği Mühendisliği Ana Bilim Dalı
PROF. DR. ŞEREF SAĞIROĞLU
- Açıklanabilir yapay zekâ yöntemleri kullanarak drone ile kargo taşımacılığı üzerine örnek bir uygulama
A sample application on drone cargo transportation using explainable artificial intelligence methods
HELİN DİYAR HALİS
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiIsparta Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BEKİR AKSOY
- A real tıme mental stress predıctıon usıng multı-modal sensor data and explaınable aı (XAI)
Çok modlu sensör verileri ve açıklanabilir yapay zeka (XAİ) kullanarak gerçek zamanlı zihinsel stres tahmini
HEBA H.M. JADALLAH
Yüksek Lisans
İngilizce
2025
Bilim ve Teknolojiİstanbul Aydın ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
Prof. Dr. RAFET AKDENİZ
PROF. DR. MHD WASIM RAED
- Anomaly detection and root-cause determination for automotive applications using deep learning and xai models
Otomotiv uygulamaları için derin öğrenme ve açıklanabilir yapay zeka kullanarak anomali tespiti ve kök-neden analizi
MEHMET EMİN MUMCUOĞLU
Doktora
İngilizce
2025
Otomotiv MühendisliğiSabancı ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ÜNEL