Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması
- 20 April 2021
- journal article
- research article
- Published by SDU Journal of Natural and Applied Sciences in SDÜ Fen Bilimleri Enstitüsü Dergisi
- Vol. 25 (1) , 112-120
Abstract
Diyabet, dünya çapında artan ve gerçekleşen ölümlerin önde gelen nedenlerinden biridir. Sürekli artan vaka sayısı diyabetin önlenmesi, erken teşhisi, tedavisi ve takibi konularında bilimsel çalışmalara ihtiyaç duyulduğunu göstermektedir. Son dönemlerde medikal alanda yaşanan teknolojik gelişmeler sayesinde elde edilen verinin analiz edilmesi, hastalıkların tanı ve tedavi sürecine olumlu katkılar yapmaktadır. Diyabet hastalığı kapsamında da araştırmacılar, hastalığın teşhis edilmesine yönelik, veriye dayalı sistematik yaklaşımlar geliştirmeye çalışmaktadırlar. Bu amaç doğrultusunda çalışmada, 1999-2008 yılları arasında ABD’de bulunan 130 hastanedeki 70000 kayda ait sağlık vakalarından elde edilmiş veri seti düzenlenerek, bireylerin diyabet durumuna göre sınıflandırılması hedeflenmiştir. Sınıflandırma için veri setine uygun makine öğrenmesi algoritmalarından yararlanılmış ve bu algoritmaların sonuçları performans ölçütlerine göre karşılaştırılmıştır. Elde edilen sonuçlara göre, en iyi performans gösteren beş sınıflandırma algoritması (Karar ağaçları, k-en yakın komşuluk, Lojistik regresyon, Naive Bayes ve Rastgele orman) değerlendirmeye alınmış olup en iyi doğru sınıflandırma performansı Rastgele orman algoritması ile elde edilmiştir.Keywords
Funding Information
- Mimar Sinan Güzel Sanatlar Üniversitesi (2019-30)
This publication has 15 references indexed in Scilit:
- Performance Analysis of Different Classification Methods in Data Mining for Diabetes Dataset Using WEKA ToolInternational Journal on Recent and Innovation Trends in Computing and Communication, 2015
- Impact of HbA1c Measurement on Hospital Readmission Rates: Analysis of 70,000 Clinical Database Patient RecordsBioMed Research International, 2014
- Applied Logistic Regression2013
- Improved shrunken centroid classifiers for high-dimensional class-imbalanced dataBMC Bioinformatics, 2013
- Data Preprocessing2012
- Class prediction for high-dimensional class-imbalanced dataBMC Bioinformatics, 2010
- A survey of cross-validation procedures for model selectionStatistics Surveys, 2010
- Three way k-fold cross-validation of resource selection functionsEcological Modelling, 2008
- Comparison of Discrimination Methods for the Classification of Tumors Using Gene Expression DataJournal of the American Statistical Association, 2002
- Random ForestsMachine Learning, 2001