Sosyal bilimlerde araştırma yaparken, bireyleri belirli gruplara ayırmak ya da bir sonucun hangi koşullarda ortaya çıktığını anlamak isteriz. Bu gibi durumlarda hem görsel hem de yorumlaması kolay bir yöntem olan karar ağaçları ve sınıflandırma analizleri devreye girer. Bu yazıda, karar ağaçlarının ne olduğunu, nasıl çalıştığını ve tezinizde nasıl kullanılabileceğini sade ve örnekli bir şekilde anlatacağız.

1-Karar Ağacı (Decision Tree) Nedir?

Karar ağacı, veriyi dallara ayırarak sınıflandıran ve tahmin yapan bir algoritmadır. Her bir dal, bir karar kuralını temsil eder; yapraklar ise sınıflandırma sonucunu gösterir.

Örnek:
Bir öğrencinin sınavı geçip geçmeyeceği; çalışma süresi, devamsızlık ve motivasyon düzeyine göre tahmin edilebilir.

2-Karar Ağaçları Ne Zaman Kullanılır?

• Bağımlı değişken kategorik (örneğin: geçer/kalır, memnun/memnun değil) olduğunda
• Bağımsız değişkenler karışık türde (sürekli ve kategorik) olduğunda
• Modelin görsel olarak sunulması istendiğinde
• Karmaşık ilişkilerin kolay anlaşılır hale getirilmesi gerektiğinde

3-En Yaygın Karar Ağacı Algoritmaları

4-Karar Ağaçlarının Avantajları

• Yorumu kolaydır, görselleştirilebilir.
• Eksik verilerle başa çıkabilir.
• Hem kategorik hem sürekli değişkenlerle çalışabilir.
• Karmaşık modelleri sadeleştirir.

5-Karar Ağaçları ile Sınıflandırma Nasıl Yapılır?

1. Veri Hazırlığı

• Bağımlı değişken kategorik olmalı (örneğin: “başarılı” vs. “başarısız”).
• Bağımsız değişkenler sayısal veya kategorik olabilir.

2. Model Kurulumu

• SPSS, R (rpart, party), Python (scikit-learn) gibi araçlarla karar ağacı oluşturulabilir.

3. Model Değerlendirme

• Doğruluk oranı (% kaç doğru sınıflama yaptığı)
• Confusion matrix (karmaşıklık matrisi)
• ROC eğrisi (modelin ayırt ediciliği)

6-SPSS’te Karar Ağacı Nasıl Oluşturulur?

1. Analyze > Classify > Tree
2. Bağımlı ve bağımsız değişkenleri seçin
3. Algoritma olarak CHAID, CART veya QUEST seçin
4. “Display tree diagram” kutucuğunu işaretleyin
5. “OK” butonuna tıklayın

7-Tezde Karar Ağacı Nasıl Raporlanır?

“Karar ağacı analizi sonucunda, öğrencilerin sınav başarısını en iyi ayırt eden değişkenin çalışma süresi olduğu görülmüştür. Model, öğrencilerin %84’ünü doğru sınıflamıştır. Ağaç yapısına göre, haftada 10 saatten fazla çalışan öğrencilerin başarı oranı %92’dir.”

8-Karar Ağaçları ile Lojistik Regresyon Arasındaki Fark

9-Sonuç:

Karar ağaçları, sosyal bilimlerde sınıflandırma ve tahmin yapmanın hem güçlü hem de anlaşılır yollarından biridir. Görsel yapısı sayesinde sadece analiz yapmakla kalmaz, aynı zamanda bulgularınızı etkili bir şekilde sunmanıza da yardımcı olur. Tezinizde karar ağacı kullanmak, hem akademik hem de pratik açıdan güçlü bir tercih olabilir.