Bu tədqiqat IoT əsaslı ağıllı kitabxana mühitlərində ətraf mühit sensorlarının maşın öyrənməsi modellərinin qərarvermə prosesinə təsirinin interpretasiyasını və hesablama səmərəliliyinin qiymətləndirilməsini hədəfləyir. Düzce Universiteti Kitabxanasında toplanmış çoxölçülü sensor məlumatları əsasında yeddi fərqli maşın öyrənməsi alqoritmi KNN, Random Forest, Decision Tree, SVM, XGBoost, Logistic Regression və Naive Bayes müqayisəli şəkildə tətbiq edilmişdir. Tədqiqatın əsas elmi töhfəsi sensor əhəmiyyətinin qiymətləndirilməsində iki yanaşmanın, yəni Random Forest Feature Importance və Permutation Importance metodlarının paralel istifadəsidir. Bu yanaşma sensor dəyişənlərinin model daxili qərar mexanizmi ilə real performansa təsirini daha dəqiq analiz etməyə imkan vermişdir. Nəticələr göstərir ki, Feature Importance yanaşması temperatur və insan sıxlığı kimi dəyişənləri daha dominant faktorlar kimi qiymətləndirərkən, Permutation Importance analizi işıq intensivliyi və CO₂ əsaslı dəyişənlərin model performansına daha yüksək təsir göstərdiyini ortaya qoyur. Bu fərqlilik sensor interpretasiyasında yalnız model daxili ölçülərin kifayət etmədiyini və daha etibarlı qiymətləndirmə metodlarına ehtiyac olduğunu göstərir. Bundan əlavə, hesablama səmərəliliyi baxımından KNN və Decision Tree modelləri aşağı resurs tələbi və yüksək icra sürəti ilə real vaxt IoT tətbiqləri üçün daha uyğun nəticələr nümayiş etdirmişdir. Ümumilikdə tədqiqat göstərir ki, IoT əsaslı sistemlərdə optimal model seçimi yalnız proqnoz dəqiqliyi deyil, həm də sensor interpretasiyası və hesablama səmərəliliyi birlikdə nəzərə alınaraq aparılmalıdır.

This study aims to interpret the impact of environmental sensors on the decision-making processes of machine learning models in IoT-based smart library environments and to evaluate computational efficiency. Based on multidimensional sensor data collected from Düzce University Library, seven machine learning algorithms — KNN, Random Forest, Decision Tree, SVM, XGBoost, Logistic Regression, and Naïve Bayes — were comparatively applied. The primary scientific contribution of this study is the parallel implementation of two sensor importance assessment approaches, namely Random Forest Feature Importance and Permutation Importance. This dual-method framework enabled a more precise analysis of the relationship between model-internal decision mechanisms and the actual impact of sensor variables on predictive performance. The results indicate that while the Feature Importance approach identifies temperature and human occupancy as dominant factors, Permutation Importance analysis reveals that light intensity and CO₂-based variables exert a greater influence on model performance. This discrepancy demonstrates that relying solely on model-internal importance measures is insufficient for accurate sensor interpretation, highlighting the need for more robust evaluation methodologies. Furthermore, in terms of computational efficiency, KNN and Decision Tree models exhibited more suitable characteristics for real-time IoT applications, owing to their low resource consumption and high execution speed. Overall, the findings suggest that optimal model selection in IoT-based systems should be guided not only by predictive accuracy, but also by sensor interpretability and computational efficiency considered in an integrated manner.