Yapay Öğrenme · Dönem Projesi · Ara Rapor

Araç özelliklerinden CO₂ emisyonu tahmini ve karbon ayak izi sınıflandırması

Kanada'da satılan 7.385 aracın motor hacmi, silindir sayısı, şanzıman, yakıt türü, araç sınıfı ve yakıt tüketimi bilgileriyle km başına CO₂ emisyonunu tahmin ediyorum. Çalışmanın merkezindeki soru: yakıt tüketimini modele vermek başarıyı ne kadar yanıltıcı biçimde yükseltiyor?

Semih ÖzdaşKaradeniz Teknik ÜniversitesiKasım 2026 Python · scikit-learn · XGBoost

Geliştirme sürüyor · ara aşama 7.385 araç · Kanada verisi 7 model × 2 senaryo Tekrar üretilebilir · random_state=42

6.281

temizlenmiş araç (1.103 tekrar silindi)

0,998

R², yakıt tüketimi modele verildiğinde

0,949

R², sızıntısız en iyi model (XGBoost)

5×

sızıntı kaldırılınca artan hata (RMSE)

DURUM

Proje durumu

Projenin hangi aşamada olduğunu tek bakışta gösterir. Liste, sayfanın sonundaki yol haritasından otomatik okunur.

%0tamamlandı

Şu anki aşama: – · Ara rapor teslime hazır (PDF + notebook)

SÜREÇ

Bu proje nasıl geliştirildi?

Teknik bilgisi olmayan biri de anlasın diye adım adım ve sade bir dille. Her adımın altında günlük hayattan bir benzetme var.

Bir soru seçtim

"Bir arabanın teknik özelliklerine bakarak ne kadar CO₂ saldığını tahmin edebilir miyim?" Ölçülebilir, gerçek veriyle cevaplanabilir bir soru.

Benzetme: Yemek yapmadan önce ne pişireceğine karar vermek.

proje önerisi3 araştırma sorusu
Veriyi buldum

Kaggle'dan Kanada hükümetinin 7.385 araçlık resmî ölçümlerini indirdim. Dosyayı hiç değiştirmeden sakladım ki herkes aynı sonuca ulaşabilsin.

Benzetme: Malzemeyi güvenilir bir marketten almak ve fişini saklamak.

KaggleCSVSHA-256 kontrolü
Veriyi temizledim

Aynı araç birden çok kez yazılmıştı (1.103 tekrar). Bunları sildim; yoksa model aynı soruyu hem çalışırken hem sınavda görür, kopya çekmiş olurdu. Şanzıman kodunu (ör. AS6) "tip" ve "vites sayısı" diye ikiye böldüm.

Benzetme: Sebzeleri yıkayıp çürüklerini ayıklamak.

pandassrc/veri.py
Veriyi tanıdım, bir tuzak fark ettim

Grafikler çizerken yakıt tüketimi ile CO₂'nin neredeyse kusursuz bir doğru oluşturduğunu gördüm. Çünkü CO₂ zaten yanan yakıttan hesaplanıyor. Tüketimi modele verirsem model tahmin etmez, sadece çarpma yapar. Buna veri sızıntısı denir.

Benzetme: Sınavda cevap anahtarı masada duruyorsa alınan 100 puan bilgiyi göstermez.

matplotlibseabornsrc/01_eda.py
İki senaryo kurdum

A: tüketim dahil (sızıntılı) ve B: yalnız araç özellikleri (dürüst). Aynı modelleri ikisinde de çalıştırıp farkı ölçtüm. Böylece sızıntının başarıyı ne kadar şişirdiği sayıyla görünür oldu.

Benzetme: Aynı öğrenciye bir kez kopya kağıdıyla, bir kez kağıtsız sınav yaptırmak.

A / B karşılaştırması
7 farklı modeli eğittim ve ayarladım

Doğrusal regresyondan XGBoost'a kadar 7 model denedim. Her modelin ayar düğmelerini (hiperparametre) bilgisayara tek tek denettim ve en iyisini seçtirdim.

Benzetme: Fırının sıcaklığını ve süresini deneye deneye en lezzetli sonucu bulmak.

scikit-learnXGBoostGridSearchCVsrc/02_regresyon.py
Adil biçimde ölçtüm

Veriyi 5 parçaya böldüm; model her seferinde 4 parçayla çalışıp 1 parçada sınav oldu (çapraz doğrulama). Ayrıca %20'lik bir test kümesini en sona kadar hiç göstermedim.

Benzetme: Tek bir sınava değil, 5 farklı deneme sınavının ortalamasına bakmak.

5 katlı CVMAE · RMSE · R²Pipeline
Araçları "düşük / orta / yüksek" diye sınıflandırdım

Sayı tahmininin yanında araçları üç karbon sınıfına ayırdım. Sınıflar eşit dağılmadığı için doğruluk yerine makro F1 puanına baktım.

Benzetme: Sınıfın %60'ı "orta" ise herkese "orta" diyen öğretmen %60 haklı çıkar ama hiçbir şey bilmiyordur.

Lojistik regresyonRandom Forestmakro F1
Rapor ve bu siteyi otomatik ürettim

Tüm sayılar ve grafikler kodla üretiliyor; elle kopyalanmış bir değer yok. Kod tekrar çalışınca rapor (PDF), notebook ve bu sayfa kendini günceller.

Benzetme: Tarifi yazıya dökmek: aynı tarifi kim uygularsa aynı yemeği alır.

JupyterChart.jssrc/site_verisi.pypython-docx
Sırada ne var?

Az örnekli sınıflar için SMOTE, modelin kararlarını açıklamak için SHAP ve benzinli araç yerine hibrit alınırsa yılda ne kadar CO₂ tasarruf edileceği hesabı.

Benzetme: Yemeği pişirdik; şimdi tadına bakıp neden lezzetli olduğunu açıklayacağız.

imbalanced-learnSHAP

Araştırma soruları

Proje önerisindeki üç problem, ölçülebilir sorulara çevrildi. Her kartın altında şu ana kadarki cevap var.

S1 · Veri sızıntısı

Yakıt tüketimi başarıyı ne kadar şişiriyor?

Aynı modeller tüketimle ve tüketimsiz eğitilip fark ölçülüyor.

Ara cevap: En iyi modelin hatası 2,6'dan 13,3 g/km'ye çıkıyor.

S2 · Model seçimi

Ayarlanmış 7 model içinde hangisi en iyi?

GridSearchCV ile ayar, 5 katlı çapraz doğrulama ile karşılaştırma.

Ara cevap: XGBoost; ağaç modelleri doğrusal modelleri belirgin geçiyor.

S3 · Dengesiz veri

SMOTE azınlık sınıflarını iyileştirir mi?

Düşük / Orta / Yüksek sınıflarda SMOTE'lu ve SMOTE'suz kıyas.

Ara cevap: SMOTE'suz temel hazır; en zayıf sınıf "Yüksek" (recall 0,79).

Veri seti ve hazırlık

Kaynak: Kaggle, CO2 Emission by Vehicles. Kanada hükümetinin yakıt tüketimi derecelendirme verisinden derlenmiş 7 yıllık kayıt; dosya Kaggle'dan indirildiği haliyle kullanıldı.

CO₂ emisyonu dağılımı

g/km, 10'luk aralıklar

Kesikli çizgiler sınıf eşikleri (200 ve 300 g/km). Ortalama 251,2, en düşük 96, en yüksek 522.

Temizlik adımları

Her adımda kalan satır sayısı.

Neden tekrarlar silindi? Aynı araç hem eğitimde hem testte bulunursa model onu ezberler ve test skoru şişer. Verinin %15'i tekrar olduğu için bu gizli bir sızıntı kaynağı.

Özellik mühendisliği: şanzıman kodu (ör. AS6) tip (A, AM, AS, AV, M) ve vites sayısı olarak ikiye ayrıldı; CVT için ayrı bayrak eklendi.

Değişkenler

Sütun	Açıklama	Tür
Engine Size (L)	Motor hacmi	sayısal
Cylinders	Silindir sayısı	sayısal
Transmission	Şanzıman tipi + vites sayısı	kategorik
Fuel Type	X normal, Z premium benzin, D dizel, E etanol	kategorik
Vehicle Class	16 araç sınıfı (kompakt, SUV, pikap…)	kategorik
Make	42 marka	kategorik
Fuel Consumption ×4	Şehir içi, şehir dışı, birleşik (L/100 km, mpg)	sızıntı
CO₂ Emissions	Hedef: g/km	sayısal

Araç sınıfına göre CO₂

çeyrekler arası aralık ve medyan

Veri sızıntısı: model tahmin etmiyor, hesaplıyor

CO₂, yanan yakıtın kimyasal sonucu. Bu yüzden yakıt türü ve tüketim bilindiğinde emisyon tek bir çarpmayla elde ediliyor. Aşağıdaki grafikte her yakıt türü neredeyse kusursuz bir doğru oluşturuyor.

Birleşik tüketim ve CO₂

yakıt başına en fazla 350 araç; açmak/kapatmak için açıklamaya tıklayın

CO₂ / tüketim oranı

Yakıt	Oran	Std	Araç

Std ≈ 0,2. 1 L benzin ≈ 2,3 kg, 1 L dizel ≈ 2,7 kg CO₂ üretir; bulunan oranlar bununla uyumlu. Korelasyon "yalnızca" 0,92 görünür, çünkü yakıtlar farklı eğimli doğrularda; korelasyon sızıntıyı küçük gösterebilir.

Deneyin: tüketimden emisyon

Yakıt türü Birleşik tüketim: 8,0 L/100 km Yıllık yol (km)

–g CO₂ / km

–kg CO₂ / yıl

Yöntem

Aynı 7 model iki özellik kümesiyle eğitildi: A yakıt tüketimi dahil (sızıntılı) ve B yalnız araç özellikleri (sızıntısız). Test kümesi hiperparametre aramasında hiç kullanılmadı.

Temizlik

Tekrarlar ve tek örnekli doğalgaz aracı silindi

Bölme

%80 eğitim, %20 test, random_state=42

Ön işleme

StandardScaler + OneHotEncoder, Pipeline içinde

Ayar

GridSearchCV, 5 katlı CV, ölçüt RMSE

Değerlendirme

CV ortalaması ± std ve test kümesi: MAE, RMSE, R²

Neden Pipeline?

Ölçekleme ortalaması ve standart sapması tüm veriden hesaplansaydı test katının bilgisi eğitime karışırdı. Ön işlemi Pipeline'ın içine koyunca her CV katında istatistikler yalnız o katın eğitim verisinden hesaplanıyor. k-NN mesafeye, Ridge/Lasso ceza terimine dayandığı için ölçekleme bu modellerde şart.

Seçilen hiperparametreler

Regresyon sonuçları

5 katlı çapraz doğrulama ortalamaları. Metriği değiştirerek iki senaryo arasındaki farkı inceleyebilirsiniz.

R² karşılaştırması

Tüm sonuçlar

Birim g/km. Yeşil: senaryodaki en iyi değer.

Model	Senaryo	CV MAE	CV RMSE	CV R²	Test RMSE	Test R²

Bulgular

Sızıntı başarıyı şişiriyor. XGBoost'un RMSE'si 2,6'dan 13,3 g/km'ye çıkıyor. A senaryosundaki 0,998'lik R² iyi bir modelin değil, sızıntının göstergesi.
En çok doğrusal modeller düşüyor. R² 0,993 → 0,873. Tüketim yokken ilişki doğrusal değil; ağaçlar ve k-NN etkileşimleri yakalıyor.
Ridge/Lasso fark yaratmıyor. Seçilen alpha çok küçük; 5.000 satır ve ~70 özellikte aşırı öğrenme yok.
Model genelleşiyor. CV ve test RMSE'si yakın (13,32 / 13,18), katlar arası std ±0,4.
Pratik hata ≈ %4. Sızıntısız en iyi model ortalama ~9,5 g/km sapıyor; ortalama emisyon 250 g/km.

Özellik önemi (Random Forest, B)

SHAP öncesi ön bakış

Silindirin payı düşük görünüyor, çünkü motor hacmiyle korelasyonu 0,93: ağaç önce motor hacmini seçince silindirin bilgisi tükeniyor. Bu ölçünün bilinen bir zayıflığı; SHAP analizi bu yüzden planlandı.

Sızıntısız XGBoost modelinde gerçek ve tahmin edilen CO2 değerleri — Şekil: XGBoost (B), test kümesinde gerçek ve tahmin. Sapmalar en çok 400 g/km üstündeki az sayıdaki araçta.

Sayısal değişkenlerin korelasyon matrisi — Şekil: Korelasyon matrisi. Tüketim sütunları birbirine 0,95+ bağlı (çoklu doğrusallık).

Karbon ayak izi sınıflandırması

Araçlar Düşük (<200 g/km), Orta (200–300) ve Yüksek (≥300) olarak üç sınıfa ayrıldı. Eşikler fiziksel anlamı olsun diye sabit seçildi; bunun sonucu dengesiz dağılım. Bu bölümde şu an SMOTE uygulanmamış temel modeller var. Özellikler sızıntısız (B) kümeden.

Sınıf dağılımı

Model başarımı

Model	CV doğr.	CV F1	Test doğr.	Test F1

Doğruluk yanıltıcı: Her araca "Orta" diyen model bile %60 doğruluk alıyor ama makro F1'i 0,25. Makro F1 her sınıfa eşit ağırlık verdiği için küçük sınıflardaki başarısızlığı gizlemiyor.

Karmaşıklık matrisi (test)

Satır: gerçek sınıf, sütun: tahmin. Hücredeki küçük yazı satır yüzdesi.

Sınıf bazında duyarlılık (recall)

Düşük ile Yüksek hiç karışmıyor; hatalar eşiğe yakın komşu sınıflarda. En zayıf sınıf Yüksek: yüksek emisyonlu araçların ~%21'i "Orta" sanılıyor. SMOTE adımının hedefi bu sınıf.

Yol haritası

Proje önerisindeki adımların durumu. Son iki haftada sınıfta sunulacak.

Tamamlandı
Veri hazırlığı ve keşifsel analiz
Tekrar temizliği, şanzıman ayrıştırma, sızıntı kanıtı.
Tamamlandı
7 model × 2 senaryo
GridSearchCV + 5 katlı CV; MAE, RMSE, R².
Tamamlandı
Temel sınıflandırma
SMOTE'suz lojistik regresyon ve random forest.
Sıradaki
SMOTE karşılaştırması
imbalanced-learn Pipeline'ı ile yalnız eğitim katlarına uygulanacak; doğruluk, makro F1 ve karmaşıklık matrisi kıyası.
Planlandı
SHAP ile yorumlama
XGBoost üzerinde TreeExplainer; özet ve tek araç (waterfall) grafikleri.
Planlandı
Benzinli → hibrit tasarruf
Aynı modelin benzinli ve hibrit sürümleri eşleştirilip yıllık 15.000 km için CO₂ farkı.
Planlandı
Değerlendirmeyi sıkılaştırma
Nested CV ve marka-model grubuna göre GroupKFold.

Hibrit tasarruf hesabı (yöntem)

Sonuç henüz hesaplanmadı; kullanılacak formül:

tasarruf (kg/yıl) = (CO₂_benzinli − CO₂_hibrit) [g/km]
                    × 15.000 km ÷ 1000

Tekrar üretmek için

pip install -r requirements.txt
python src/01_eda.py
python src/02_regresyon.py
python src/03_siniflandirma_temel.py
python src/site_verisi.py

Proje durumu

Bu proje nasıl geliştirildi?

Bir soru seçtim

Veriyi buldum

Veriyi temizledim

Veriyi tanıdım, bir tuzak fark ettim

İki senaryo kurdum

7 farklı modeli eğittim ve ayarladım

Adil biçimde ölçtüm

Araçları "düşük / orta / yüksek" diye sınıflandırdım

Rapor ve bu siteyi otomatik ürettim

Sırada ne var?