İnteraktif harita
OOF R², A/B/C sınıfları ve il özellik önemi katmanlarını tek haritada inceleyin.
İl OOF R² (Grouped CV)
İl bazında Out-of-Fold R² değerleri. Seçilen model: Random Forest.
İl performans sınıfları (A/B/C)
A: Olduğu gibi kullan. B: Orta düzenleme (λ=0.2, γ=0.2). C: Güçlü düzenleme (λ=0.5, γ=0.4).
Özellik önemi bileşimi (il bazında)
NDVI, NTL, SENT1, SENT5, Nüfus ve Yüzey payları. Aşağıda interaktif çubuk grafik ve haritalar akışta yer alıyor; üzerine gelerek veya tıklayarak değerleri inceleyebilirsiniz.
İnteraktif çubuk grafik
İl bazında 6 özellik payı (stacked). Çubukların üzerine gelince il adı ve yüzdeler görünür.
İnteraktif harita — pasta grafik
Her ilde 6 özelliğin payı pasta grafikle. İle tıklayınca detay görünür.
Statik görseller
Aynı verilerin statik harita ve görselleri.
İlçe GDP haritası (2023)
RF tabanlı ilçe düzeyinde GDP tahsisi. İl filtresi ile tek il veya tüm Türkiye; renk ölçeği seçilen alana göre güncellenir.
Tablolar
Model karşılaştırması ve sağlamlaştırma varyantlarına ait sayısal sonuçlar. Metriklerin anlamı ve tabloların amacı makale bağlamında aşağıda özetlenmiştir.
Tablo 1. Model türüne göre gruplu çapraz doğrulama performansı
| Model | Type | N (provinces) | N (districts) | Features | CV R² | CV MSE | CV MAE | Selected |
|---|---|---|---|---|---|---|---|---|
| ElasticNet | Linear | 81 | 973 | 6 | 0.458 | 0.331 | 0.303 | — |
| SVR | Kernel | 81 | 973 | 6 | 0.448 | 0.337 | 0.285 | — |
| CatBoost | Boosting | 81 | 973 | 6 | 0.557 | 0.270 | 0.240 | — |
| RF | Bagging | 81 | 973 | 6 | 0.562 | 0.267 | 0.244 | Yes |
| XGBoost | Boosting | 81 | 973 | 6 | 0.516 | 0.295 | 0.259 | — |
| LightGBM | Boosting | 81 | 973 | 6 | 0.537 | 0.283 | 0.253 | — |
Amaç: Altı farklı model (doğrusal, çekirdek, bagging ve boosting) aynı veri ve özellik setiyle karşılaştırılmıştır. Random Forest (RF) en yüksek CV R² (0,562) ve en düşük CV MSE/MAE ile seçilmiş; ilçe düzeyi GDP tahsisi ve sonraki analizler bu model üzerinden raporlanmaktadır.
- RF, CV R² (0,562) ile CatBoost (0,557) ve LightGBM (0,537) üzerinde hafif üstünlük gösteriyor; doğrusal modeller (ElasticNet, SVR) belirgin şekilde daha düşük R² veriyor.
- MSE ve MAE açısından da RF en iyi değerleri alıyor; tahmin hatası diğer modellere kıyasla daha düşük.
- Seçim, makul bir örneklem (81 il, 973 ilçe) ve aynı 6 özellik seti üzerinde tutarlı; il gruplu CV ile sızıntı riski azaltılmış.
Tablo 2. Seçilen model özeti (RF)
| N (provinces) | N (districts) | N (features) | CV R² | CV MSE | CV MAE |
|---|---|---|---|---|---|
| 81 | 973 | 6 | 0.562 | 0.267 | 0.244 |
Amaç: Makalede kullanılan nihai kurulumun tek satırda özetlenmesi; okuyucunun örneklem büyüklüğü ve genel performans düzeyini hızlıca görmesini sağlar.
- R² ≈ 0,56, il bazlı gruplu CV ile makul bir açıklayıcılık; kalan varyans il içi yapı ve ölçüm belirsizliğinden kaynaklanabilir.
- MSE 0,267 ve MAE 0,244, tahminlerin ortalama büyüklüğü dikkate alındığında kabul edilebilir hata düzeyini yansıtıyor.
Tablo 3. Sağlamlaştırma varyantları — JS ve L1 dağılımı
| variant | JS_mean | JS_median | JS_max | L1_mean | n_province |
|---|---|---|---|---|---|
| GAM_minus | 2.61E-06 | 8.10E-07 | 3.99E-05 | 0.0027 | 81 |
| GAM_plus | 2.57E-06 | 8.72E-07 | 3.97E-05 | 0.0027 | 81 |
| LAM_minus | 2.02E-06 | 7.67E-07 | 2.10E-05 | 0.0025 | 81 |
| LAM_plus | 1.96E-06 | 8.40E-07 | 2.22E-05 | 0.0025 | 81 |
| THR_Aminus | 9.37E-06 | 0 | 3.32E-04 | 0.0015 | 81 |
| THR_Aplus | 1.62E-05 | 0 | 1.15E-03 | 0.0016 | 81 |
| THR_Bminus | 3.54E-08 | 0 | 2.87E-06 | 0.0000 | 81 |
| THR_Bplus | 2.04E-06 | 0 | 1.45E-04 | 0.0005 | 81 |
Amaç: GAM/LAM (gamma/lambda) ve eşik (THR) değişimlerine göre özellik önem dağılımının ne kadar değiştiğini ölçmek. THR_Bminus en düşük JS ve L1 ile en sağlam varyantı; A sınıfı eşiklerinde daha büyük sapmalar görülmektedir. Bu tablo duyarlılık ve sağlamlaştırma tartışması için sayısal dayanak sağlar.
- THR_Bminus (JS_mean ≈ 3,5e-08, L1_mean = 0) referans dağılıma en yakın varyant; B sınıfı eşikleri önem dağılımını neredeyse koruyor.
- THR_Aplus en yüksek sapmayı veriyor (JS_max 1,15e-03); A sınıfı eşik değişimleri özellik öneminde belirgin kaymalara yol açıyor.
- GAM/LAM varyantları JS ve L1’de birbirine yakın; lambda/gamma ayarları makul aralıkta tutarlı sonuç üretiyor.
GDP vs. SES ve RWI (2023)
İlçe GDP ile sosyoekonomik skor (SES) ve göreli refah indeksi (RWI) ilişkisi.
SEDI’nin çekirdek varsayımı — ampirik doğrulama (NUTS-3)
Amaç: SEDI dağılımının, nüfus etkisinden arındırılmış resmi gelişmişlik yoğunluğu göstergesi olan kişi başı GDP ile makro düzeyde aynı “şekli” taşıyıp taşımadığını test etmek.
