Makine öğrenmesi yöntemleri ile obezite riski tahmini: Beslenme alışkanlıkları ve fiziksel aktivite düzeyine dayalı bir çalışma
Prediction of obesity risk using machine learning methods: a study based on nutritional habits and physical activity level
- Tez No: 1006833
- Danışmanlar: PROF. DR. MEHMET ALİ ERGÜN
- Tez Türü: Yüksek Lisans
- Konular: Beslenme ve Diyetetik, Nutrition and Dietetics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Sağlık Bilişimi Ana Bilim Dalı
- Bilim Dalı: Sağlık Bilişimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Obezite, tüm dünyada giderek artan ve kardiyovasküler hastalıklar, diyabet, hipertansiyon ve bazı kanser türleri gibi kronik hastalıklarla ilişkili önemli bir halk sağlığı sorunudur. Obezite prevalansındaki artış, bireylerin yaşam kalitesini olumsuz etkilerken sağlık sistemleri üzerinde de ciddi bir ekonomik yük oluşturmaktadır. Dünya Sağlık Örgütü'nün (DSÖ) güncel verileri, küresel obezite oranlarının yıllar içinde yükseliş eğiliminde olduğunu göstermekte; bu durum, risk altındaki bireylerin daha erken dönemde belirlenmesi ve önleyici yaklaşımların güçlendirilmesi gerekliliğini ortaya koymaktadır. Sağlık bilişimi, sağlık verilerinin etkin biçimde toplanması, yönetilmesi ve anlamlı bilgiye dönüştürülmesi yoluyla sağlık sorunlarının daha erken ve daha doğru değerlendirilmesine katkı sunan disiplinler arası bir alandır. Sağlık verilerinin hacmi ve çeşitliliği arttıkça, veri madenciliği ve makine öğrenmesi yöntemlerinin sağlık alanındaki kullanımı da giderek önem kazanmaktadır. Bu tez çalışmasında, bireylerin beslenme alışkanlıkları, fiziksel aktivite düzeyleri ve demografik özellikleri temel alınarak makine öğrenmesi yöntemleriyle obezite riskinin tahmin edilmesi amaçlanmıştır. Çalışma, UCI Machine Learning Repository'den temin edilen ve literatürde yaygın biçimde kullanılan“Estimation of Obesity Levels Based On Eating Habits and Physical Condition”adlı ikincil veri seti üzerinden yürütülmüştür. Veri analizi ve modelleme süreçleri Python programlama dili ile gerçekleştirilmiş, Jupyter Notebook uygulama ortamı olarak tercih edilmiştir. Analiz süreci, CRISP-DM yaklaşımının temel aşamalarına göre yapılandırılmış; modellemeye geçiş öncesinde gerekli veri hazırlama adımları uygulanmıştır. Bu kapsamda, Lojistik Regresyon, K-En Yakın Komşu, Destek Vektör Makineleri ve Rastgele Orman algoritmaları uygulanmış; modellerin performansı doğruluk, kesinlik, duyarlılık, F1 skoru, ROC–AUC değeri ve karışıklık matrisi üzerinden değerlendirilmiştir. Sonuç olarak, bu çalışmada bireylerin beslenme alışkanlıkları, yaşam tarzı ve demografik özelliklerini içeren ikincil bir veri setinden yararlanılarak makine öğrenmesi yöntemleri ile obezite riskinin tahmini gerçekleştirilmiştir.
Özet (Çeviri)
Obesity is a major public health problem that is increasing worldwide and is associated with serious risks such as cardiovascular diseases, diabetes, hypertension, and certain types of cancer. The rise in obesity prevalence adversely affects individuals' quality of life and imposes a substantial economic burden on health systems. According to the World Health Organization, global obesity rates have shown an upward trend over the years, underscoring the need to identify at-risk individuals earlier and to strengthen preventive approaches. Health informatics is an interdisciplinary field that supports earlier and more accurate assessment of health problems by enabling the effective collection, management, and transformation of health data into meaningful information. As the volume and diversity of health data continue to grow, data mining and machine learning methods are becoming increasingly important in healthcare. This thesis aimed to the risk of obesity using machine learning methods based on individuals' nutritional habits, physical activity level, and demographic characteristics. The study was conducted using the secondary dataset titled“Estimation of Obesity Levels Based on Eating Habits and Physical Condition,”obtained from the UCI Machine Learning Repository and widely used in the literature. Data analysis and modeling were performed using the Python programming language, and Jupyter Notebook was used as the analysis environment. The workflow was structured according to the main phases of the CRISP-DM approach, and the necessary data preparation steps were applied prior to modeling. Logistic Regression, K-Nearest Neighbors, Support Vector Machines, and Random Forest algorithms were implemented, and model performance was evaluated using accuracy, precision, recall, F1 score, ROC–AUC, and the confusion matrix. In conclusion, in this study, the risk of obesity was predicted using machine learning methods by utilizing a secondary dataset containing individuals' nutritional habits, lifestyle, and demographic characteristics.
Benzer Tezler
- Makine öğrenmesi algoritmaları ile geliştirilen erken uyarı sistemi ile çocukluk çağı obezite riskinin saptanması
Detection the risk of childhood obesity by early warning system developed with machine learning algorithms
BURCU ÇAVDAR
Doktora
Türkçe
2022
Beslenme ve DiyetetikErciyes ÜniversitesiBeslenme ve Diyetetik Ana Bilim Dalı
PROF. DR. BETÜL ÇİÇEK
- BMI prediction from face images
Yüz görüntülerinden vücut kitle indeksi tahmini
GÜLPINAR BÖLÜKBAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Karaciğer kanseri tedavisinde makine algoritma öğrenimi ve yapay zeka teşhisi
Machine algorithm learning and artificial intelligence diagnosis in liver cancer treatment
YAKUP YASİN ÖZSOY
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ADEM ÖZYAVAŞ
- Çocuklarda subklinik ateroskleroz için yeni yaklaşım: Yapay zekâ destekli risk sınıflaması
A new approach for subclinical atherosclerosis in children: Artificial intelligence-supported risk classification
İDİL AK GÜNDOĞDU
Tıpta Uzmanlık
Türkçe
2025
Çocuk Sağlığı ve Hastalıklarıİstanbul Medeniyet ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. ÖYKÜ İSAL TOSUN
- Clinical assessment of the microwave imaging system forbreast cancer screening and early detection
Meme kanseri tarama ve erken tanı için mikrodalgagörüntüleme sisteminin klinik değerlendirmesi
ALEKSANDAR JANJIC
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
Prof. Dr. MEHMET ÇAYÖREN
Prof. Dr. İBRAHİM AKDUMAN