EEG TABANLI NÖBET SINIFLANDIRMASI: PCA’NIN ETKİSİ VE LOJİSTİK REGRESYON, SVM, XGBOOST KARŞILAŞTIRMASI
- 29 December 2025
- journal article
- Published by Pamukkale University in Pamukkale University Journal of Social Sciences Institute
- No. Sayı:71 (E,p. 21-40
Abstract
Epilepsi, bireylerin sosyal ilişkilerini, toplumsal uyumunu ve yaşam kalitesini olumsuz yönde etkileyen bir hastalıktır. Bu çalışmada, çok öznitelikli (16 kanal), çok sınıflı (sağlıklı, jeneralize nöbet, fokal nöbet, nöbet aktivitesi) ve dengeli Bangalore Epilepsi veri kümesi üzerinde Lojistik Regresyon, Destek Vektör Makineleri (SVM) ve Aşırı Gradyan Artırma (XGBoost) modelleri; Temel Bileşenler Analizi (PCA) ile ve PCA’sız iki işlem hattında değerlendirilmiştir. Doğruluk-çalışma süresi dengesi bağlamında PCA’nın marjinal katkısı nicel olarak gösterilmiş; sınıflar arası ayrışmanın zorlaştığı durumlarda hangi modelin daha tutarlı ve etkin performans gösterdiği incelenmiştir. Bulgular, öznitelik korelasyonlarının yüksek olduğu veri kümelerinde XGBoost’un doğruluk, F1, ROC-AUC açısından SVM ve lojistik regresyona kıyasla daha iyi performans sergilediğine işaret etmektedir. Bu durum epileptik nöbet tespitinde PCA’nın her durumda model başarımını artırmadığını; dolayısıyla veri ön-işleme stratejilerinin model tipine göre dikkatle seçilmesi gerektiğini göstermektedir. Elde edilen sonuçlar, hem bilişsel sinyal işleme literatürüne metodolojik bir karşılaştırma katkısı sunmakta hem de model seçimi konusunda uygulayıcılara yol göstermektedir. Standart metrikler ile on katlı çapraz doğrulama ve farklı oranlarda ayrılmış test kümelerine dayalı bir kıyaslama sunması çalışmanın başlıca katkılarındandır.Keywords
This publication has 30 references indexed in Scilit:
- Machine Learning Based Computer Aided Diagnosis of Breast Cancer Utilizing Anthropometric and Clinical FeaturesIRBM, 2021
- Understanding Machine Learning2014
- Applied Logistic Regression2013
- Principal component analysisWIREs Computational Statistics, 2010
- The Elements of Statistical Learning2009
- An introduction to ROC analysisPattern Recognition Letters, 2006
- Support Vector Machines – An Introduction2005
- Random ForestsMachine Learning, 2001
- The Elements of Statistical Learning2001
- The use of the area under the ROC curve in the evaluation of machine learning algorithmsPattern Recognition, 1997