Yaşam Tarzı ve Uyku Kalitesi: Makine Öğrenimi Tekniklerinin Uygulaması ve Değerlendirmesi

Abstract

Bu çalışmada Kaggle'den alınan Uyku Sağlığı ve Yaşam Tarzı Veri Seti üzerinde Extreme Gradient Boosting (XGBoost), Rastgele Orman (RF) ve Destek Vektör Makineleri (SVM) algoritmalarını kullanarak uyku bozuklukları ve uyku kalitesi sınıflandırması gerçekleştirilmiştir. Başlangıç olarak uyku düzeni, sağlık durumu ve yaşam tarzı verilerini analiz ederek uyku kalitesini etkileyen temel bileşenleri belirlemek amaçlanmıştır. Verilerin eğitim ve test verisi olarak ayrılarak veri ön işleme aşamasında temel istatistikler ve korelasyon analizi gerçekleştirilmiştir. Algoritmaların performansları hassasiyet, geri çağırma, F1-skor ve doğruluk metrikleri kullanılarak değerlendirilmiştir. XGBoost algoritması ortalama 0.88 kesinlik ve 0.87 duyarlılık oranlarıyla öne çıkmıştır. Çalışma, ayrıca stres ve günlük adım sayısı gibi yaşam tarzı faktörlerinin uyku kalitesine etkilerini de ele almıştır. Çalışmanın son adımında Local Interpretable Modelagnostic Explanations (LIME) analizi kullanılarak makine öğrenimi modellerinin karar verme süreçlerinin yorumlanabilirliği ve şeffaflığı araştırılmıştır. Bu analiz modellerin hangi özelliklere dayandığını ve bu özelliklerin tahminler üzerindeki etkisini göstermektedir. Analiz düşük günlük aktivite ve yüksek vücut kitle indeksinin uykusuzluk olasılığını artırdığını ortaya koymuştur. Sonuçlar uyku kalitesinin iyileştirilmesi ve uyku bozukluklarının yönetiminde bireysel faktörlerin dikkate alınmasının önemini vurgulamaktadır. Uyku sağlığı müdahalelerinin kişiselleştirilmesi ve risk değerlendirmesinde önemli içgörüler ve makine öğrenimi uygulamalarına değerli bir katkı sağlamaktadır. Bu çalışma uyku sağlığı araştırmalarında makine öğreniminin uygulanabilirliğini göstermekte ve daha kapsamlı araştırmalar için bir temel oluşturmaktadır.