Geri Dön

Poverty level characterizations via feature selection and machine learning

Öznitelik seçimi ve makine öğrenmesi ile yoksulluk seviye karakterizasyonu

  1. Tez No: 600619
  2. Yazar: JAMA HUSSEİN MOHAMUD
  3. Danışmanlar: PROF. DR. ÖMER NEZİH GEREK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ekonomi, Elektrik ve Elektronik Mühendisliği, Economics, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Yoksulluk karakterizasyonu, Yoksulluk ölçümü, Çok boyutlu yoksulluk, Öznitelik çıkarımı, Makine öğrenmesi, Poverty Characterization, Poverty Measurement, Poverty Identification, Multidimensional Poverty, Feature Extraction, Machine Learning
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Anadolu Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Bilim Dalı
  13. Sayfa Sayısı: 54

Özet

Yoksulluk seviye tespiti hassas, güncel ve güvenilir sosyo-ekonomik hane halkı verisine ihtiyaç duymaktadır. Öte yandan çoğu gelişmekte olan ülkede gelir, tüketim, yaşam türü verilerin güvenilir olarak elde edilmesi zor ve pahalıdır. Bu tür veriler uzun ve detaylı anketler gerektirir. Gelişmekte olan ülkelerin bu tür veri elde etmelerindeki güçlük nedeniyle veri azdır; bu da hane halklarına yönelik iyileştirme politikalarını geliştirme aşamasında zorluklara neden olmaktadır. Zira, ekonomik karakteristiklerin hassas ölçümü toplum politikaları üretmek açısından elzemdir. Bu tür durumlarda makine öğrenmesi yaklaşımlarını ele almak son derece faydalı olabilir. Maalesef makine öğrenmesi algoritmaları genel olarak“kara kutu”formatında olup, gerçekleştirdiği öğrenmenin ve sınıflandırmanın hangi parametrelere ve özniteliklere dayandığı çoğunlukla belirsizdir. Detay vermek gerekirse; bir hanenin yoksul olarak categorize olmasına neden olan niteliklerin neler olduğu konusunda makine öğrenme yöntemleri doğrudan sonuç üretmemektedir. Bu nedenle, bu çalışmada yoksulluk konusuna sadece“gelirin belli seviyenin altında kalması”şeklindeki tek boyutlu yaklaşımı kullanmayarak, bunun yerine çok boyutlu bir perspektif ele alınmaktadır. Yöntemimizin uygulaması ve faydalı olup olmadığı Inter-Amerikan Gelişim Bankası tarafından Kaggle'a yüklenen Kosta Rika veri seti üzerinden değerlendirilmiştir.

Özet (Çeviri)

Targeting poverty requires access to accurate, timely and reliable quantitative data on socio-economic characteristics of households. However, in many developing countries, collecting accurate, timely, and reliable data on household characteristics is expensive, time-consuming, and unreliable, often requiring long and detailed surveys. Reliable data on economic status remain scarce in developing countries, hampering efforts to study these outcomes and to design appropriate policy responses to improve household welfare. In such situations machine learning algorithms can be of a great help. However, these models are normally designed in the form of black boxes; if the model is trained on a certain known data and predicted on unseen data, it doesn't give any information about the features that discriminate between classes. In other words, it is very tough to extract the features indicating that someone falls under specific category of poverty. Moreover, in poverty identification, measurement or classification, it is crucial to know how such features contribute to each class of poverty. Therefore, we designed an approach that extracts a subset of features that best characterize each poverty class, examines how this subset affect the chosen class and finally employ ensemble models to best classify between these classes. Through this approach we look at poverty from a multidimensional perspective contrary to a single dimension perspective defined as living on consumption expenditure of less than a predefined income threshold. The application and usefulness of our proposed framework is tested on a Costa Rican dataset collected from Kaggle website and provided by Inter-American Development Bank.

Benzer Tezler

  1. Bioprospection of antagonistic yeasts for biocontrolling postharvest pathogenic fungi and physicochemical characterization of a yeast exopolysaccharide

    Patojenik küflerin hasat sonrasi biyolojik kontrolünde antagonistik mayalarin biyoprospeksiyonu ve bir maya ekzopolisakkaritinin fizikokimyasal karakterizasyonu

    SEBAHAT ÖZTEKİN

    Doktora

    İngilizce

    İngilizce

    2023

    Gıda Mühendisliğiİstanbul Teknik Üniversitesi

    Gıda Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HATİCE FUNDA KARBANCIOĞLU GÜLER

  2. Energy poverty and the characteristics of energy-poor households in Turkey

    Türkiye'de enerji yoksulluğu ve enerji fakiri hanehalklarının özellikleri

    ZEHRA SENA KİBAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    EkonometriBoğaziçi Üniversitesi

    İktisat (İngilizce) Ana Bilim Dalı

    PROF. DR. BEGÜM ÖZKAYNAK

  3. Türkiye'de tarihsel çevrenin korunmasına ve turizme UNESCO dünya mirası kriterlerinin etkileri ve katkıları

    Effects and contributions of UNESCO world heritage criteria to the protection of the historical environment and tourism in turkey

    İRFAN ÖNAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    ArkeolojiAnkara Üniversitesi

    Sosyal Çevre Bilimleri Ana Bilim Dalı

    DOÇ. DR. SERDAR HAKAN ÖZTANER

  4. Hanehalkı yoksulluk düzeyinin makine öğrenmesi ve yapay sinir ağları ile tahmini: Türkiye örneği

    Estimation of household poverty level via machine learning and artificial neural networks: The case of Türkiye

    BEYZANUR ABACI

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    MaliyeNecmettin Erbakan Üniversitesi

    Maliye Ana Bilim Dalı

    PROF. DR. ALTUĞ MURAT KÖKTAŞ

  5. Dünya Bankası'nın yoksulluk ve açlıkla mücadeledeki rolü, etkisi ve Türkiye örneği

    Başlık çevirisi yok

    AHMET ŞAFAK KUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Uluslararası İlişkilerİstanbul Gelişim Üniversitesi

    Siyaset Bilimi ve Uluslararası İlişkiler Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FATİH FUAT TUNCER