Türkiye İçin Alternatif Uluslararası Örgütlerin Makine Öğrenmesi Algoritmalarıyla Değerlendirilmesi

Abstract

Ülkelerin güç dengesindeki dağılımlar devletleri toprak bütünlüğü, egemenlik ve bağımsızlık ilkeleri bağlamında uluslararası bir sistemin parçası olmaya itmiştir. Türkiye'nin 1959 yılına kadar uzanan Avrupa Birliği (AB)'ne katılma süreci çeşitli reformlar ve uyum paketleriyle desteklenmektedir. Ancak uzun süren müzakerelerin neticelenmemesi Türkiye'yi farklı örgütlere yönelmeye itmiştir. Son dönemde Avrupa Birliği üyeliğinden tam olarak vazgeçmeyen Türkiye'nin başta Şangay İşbirliği Örgütü (ŞİÖ) olmak üzere alternatif örgütlere üyeliği değerlendirilmektedir. Bu çalışma kapsamında Türkiye’nin AB ve ŞİÖ üyesi ülkelere yakınlığının değerlendirilmesi amaçlanarak 34 ülkenin çeşitli göstergelerini içeren bir veri seti oluşturulmuştur. Sonrasında oluşturulan veri seti çeşitli göstergelere bağlı olarak gruplandırılmıştır. Elde edilen beş farklı veri setine Naive Bayes ve K En Yakın Komşu algoritması uygulanmıştır. Bu uygulamalarda çeşitli göstergelere bağlı olarak Türkiye, AB ve ŞİÖ üyesi ülkelerin yer aldığı iki farklı sınıfa göre konumlandırılmıştır. Yapılan uygulamalarda iki farklı algoritma için elde edilen performans metrikleriyle birlikte tahmin edilen değerlere yer verilmiştir.The distribution of power balances among countries has driven states to become part of an international system within the context of the principles of territorial integrity, sovereignty, and independence. Turkey's process of joining the European Union (EU), which dates back to 1959, has been supported by various reforms and harmonization packages. However, the prolonged negotiations have led Turkey to explore other organizations. In recent times, Turkey, while not completely abandoning its bid for EU membership, has been considering membership in alternative organizations, particularly the Shanghai Cooperation Organization (SCO). In this study, the proximity of Turkey to EU and SCO member countries is evaluated by creating a dataset that includes various indicators for 34 countries. Subsequently, the dataset was grouped based on various indicators. The Naive Bayes and K-Nearest Neighbors algorithms were applied to the five different datasets obtained. In these applications, Turkey was positioned in relation to two different classes based on the EU and SCO member countries, depending on various indicators. The results of the applications, along with the performance metrics obtained for the two different algorithms, are presented.