İsmail BİÇER
Sağlık Akademisyenleri Dergisi - 2026;13(1):110-121
Giriş ve Amaç: Bu çalışma, yaşam beklentisini tahmin etmede makine öğrenimi modellerini karşılaştırmakta ve aşılanma oranı ile sosyoekonomik faktörlerin etkisine odaklanmaktadır. Amaç, yaşam beklentisini en doğru şekilde tahmin eden modeli belirlemek ve bu değişkenlerin etkilerini incelemektir. Gereç ve Yöntem: Veri ön işleme, istatistiksel analizler ve makine öğrenimi modellemeleri Python programlama dili kullanılarak yapılmıştır. Modellerin performansı RMSE, MAE ve R² değerleriyle değerlendirilmiş; değişkenlerin önem düzeyi Permütasyon Önemi ve SHAP analizleriyle belirlenmiştir. Bulgular: XGBoost modeli en düşük hata oranlarını ve en yüksek R² değerini (%90,7) elde etmiştir. Rastgele Orman modeli %88,8 R² ile ikinci sırada yer almıştır. Gelir, yaşam beklentisini en çok etkileyen değişken olarak belirlenmiş; sağlık harcamaları ikinci sırada yer almıştır. Aşılama oranı, doğrusal modellerde düşük, XGBoost ve Rastgele Orman modellerinde daha yüksek etki göstermiştir. Sonuç: XGBoost modeli yaşam beklentisini tahminde en başarılı yöntemdir. Bulgular, ekonomik büyüme ve sağlık yatırımlarının yaşam süresini uzatmadaki önemini ve aşılama oranlarının model türüne bağlı olarak değişen etkisini ortaya koymaktadır.
