Mini Final Project for Aygaz Machine Learning Bootcamp lead by Global AI Hub
https://www.kaggle.com/code/mertpalaolu/globalclimatechange-mlproject
Bu proje, 1700'lü yıllardan itibaren belirli ülkeler için sağlanan sıcaklık verilerini inceleyerek zaman içinde yaşanan iklimsel değişiklikleri belirlemeyi ve gelecekteki sıcaklık değişimlerini tahmin etmeyi amaçlamaktadır. Veri analizi ve makine öğrenmesi teknikleriyle iklim trendlerini modellemeyi hedefler.
Proje, Global Land Temperatures By Country veri seti kullanılarak gerçekleştirilmiştir. Veri seti, dünya genelindeki farklı ülkelerde yıllara göre ortalama sıcaklık verilerini içermektedir.
- dt: Tarih bilgisi (Yıl-ay-gün formatında)
- AverageTemperature: İlgili döneme ait ortalama sıcaklık (Celsius cinsinden)
- AverageTemperatureUncertainty: Ortalama sıcaklık ölçümündeki belirsizlik aralığı
- Country: Sıcaklık verisinin ait olduğu ülke
- 1700'lü yıllardan itibaren günümüze kadar olan dönemi kapsamaktadır.
Lineer Regresyon kullanılarak yıllara göre ortalama sıcaklık tahmin edilmiştir.
- Hedef Değişken: Ortalama sıcaklık (
AverageTemperature) - Model Performansı:
- Mean Squared Error (MSE): 100.08491202660512
- Root Mean Squared Error (RMSE): 10.004244700456159
Lineer regresyon modeli, yıllara göre sıcaklık tahmininde makul bir başarı sağlamış olup, uzun dönem trendleri anlamak için uygun sonuçlar vermiştir.
K-means Kümeleme kullanılarak sıcaklık verileri kümelere ayrılmış ve benzer iklimsel dönemler tespit edilmiştir.
- Silhouette Skoru: 0.3959
Gözetimsiz öğrenme yöntemleri, zaman serisi verilerinde sınırlı performans göstermiş olsa da, belirli bölgeler ve dönemler arasında benzer sıcaklık trendlerini tespit etmiştir.
Gözetimli öğrenme, zaman serisi verilerinde geleceği tahmin etme konusunda başarılı sonuçlar verirken, gözetimsiz öğrenme, veriyi gruplamak için kullanılabilir. Bu veri seti için gözetimli öğrenme daha uygun sonuçlar vermiştir, ancak belirli dönemler arasında benzerlik analizi yapmak için gözetimsiz öğrenme de faydalı olabilir.