Depresyon, üniversite öğrencileri arasında yaygın olarak görülen ve akademik başarıyı, sosyal ilişkileri ve genel yaşam kalitesini olumsuz etkileyen bir ruh sağlığı sorunudur. Bu çalışmada, farklı makine öğrenmesi algoritmalarını kullanarak üniversite öğrencilerinin depresyon durumunu tahmin etmek amaçlanmıştır. Araştırmada bağımlı değişken olarak depresyon durumu (var/yok) ele alınmış ve bağımsız değişkenler olarak yaş, cinsiyet, not ortalaması, uyku süresi, meslek, iş baskısı, akademik baskı, çalışma memnuniyeti, iş memnuniyeti, beslenme alışkanlıkları gibi değişkenler kullanılmıştır.

Çalışmada, Destek Vektör Makineleri (SVM), Yapay Sinir Ağları (Neural Networks), Lojistik Regresyon, k-En Yakın Komşu (kNN) ve Gradient Boosting algoritmaları kullanılarak depresyon tahmini gerçekleştirilmiştir. Sonuçlar, Lojistik Regresyon ve SVM modellerinin en iyi genelleme yeteneğine sahip olduğunu göstermektedir. Öte yandan, Yapay Sinir Ağları ve Gradient Boosting algoritmalarının eğitim verisinde yüksek performans sergilediği ancak test verisinde aşırı öğrenme (overfitting) nedeniyle başarının düştüğü belirlenmiştir. Bu çalışma, makine öğrenmesi yöntemleriyle üniversite öğrencilerinde depresyon tahminine yönelik yeni bir bakış açısı sunmakta ve öğrenci ruh sağlığını iyileştirmeye yönelik veri odaklı yaklaşımlar geliştirilmesine katkıda bulunmaktadır.