Veri madenciliği tekniklerinin bilişim sistemlerinde karşılaştırmalı analizi: Meme kanseri hasta verileri üzerine bir olgu çalışması
Comparative analysis of data mining techniques in information systems: A case study on breast cancer patient data
- Tez No: 1022160
- Danışmanlar: DOÇ. DR. MEHMET FEYZİ AKŞAHİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Yönetim Bilişim Sistemleri, Computer Engineering and Computer Science and Control, Science and Technology, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, meme kanseri teşhisine yönelik sınıflandırma süreçlerinde, bilişim sistemleri bünyesinde kullanılan farklı veri madenciliği tekniklerinin karşılaştırmalı bir analizini sunmaktadır. Wisconsin Meme Kanseri (WDBC) veri seti kullanılarak; Lojistik Regresyon, KNN ve SVM gibi geleneksel modellerin performansı, Rastgele Orman (Random Forest) ve Çok Katmanlı Algılayıcı (MLP) gibi topluluk ve derin öğrenme mimarileriyle kıyaslanmıştır . Araştırma sonuçları, Rastgele Orman ve derin MLP gibi karmaşık modellerin eğitim verilerinde mükemmele yakın başarı sergilemesine rağmen, yapılandırılmış klinik verilerde aşırı öğrenme (overfitting) eğilimi gösterdiğini ortaya koymuştur. Diğer yandan, Lojistik Regresyon ve RBF çekirdekli SVM modellerinin daha güçlü bir genellenebilirlik kapasitesine sahip olduğu, her iki modelin de test verilerinde %98,2 doğruluk ve %97,6 klinik duyarlılık oranlarına ulaştığı görülmüştür. Elde edilen bulgular; gerçek zamanlı klinik karar destek sistemlerine entegrasyon için şeffaf, istatistiksel temeli güçlü ve hesaplama maliyeti düşük modellerin, karmaşık“kara kutu”yaklaşımlarına kıyasla daha güvenilir ve sürdürülebilir bir çözüm sunduğunu göstermektedir.
Özet (Çeviri)
This research evaluates the comparative performance of data mining techniques within healthcare information systems, specifically for the diagnostic classification of breast cancer. Utilizing the Wisconsin Diagnostic Breast Cancer (WDBC) dataset, the study contrasts traditional models—Logistic Regression, K-Nearest Neighbors (KNN), and Support Vector Machines (SVM)—against ensemble and deep learning architectures, including Random Forest and Multilayer Perceptron (MLP) . The results indicate that while complex models like Random Forest and deep MLPs achieve near-perfect training accuracies, they exhibit a significant“generalization gap”due to overfitting on structured clinical data. Conversely, Logistic Regression and RBF-kernel SVM demonstrated superior stability, both reaching a test accuracy of 98.2% and a clinical sensitivity of 97.6%. These findings suggest that transparent, statistically robust models are often more reliable and cost-effective for integration into real-time clinical decision support systems than complex“black-box”alternatives.
Benzer Tezler
- Telekomünikasyon sektöründe makine öğrenmesi yöntemleriyle müşteri kayıp analizi
Customer churn analysis in the telecommunications sector using machine learning techniques
GAMZE DURSUN
Yüksek Lisans
Türkçe
2026
Yönetim Bilişim SistemleriGazi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı (disiplinlerarası)
PROF. DR. NURSAL ARICI
- Metin madenciliği teknikleri kullanılarak kulak burun boğaz hasta bilgi formlarının analizi
Analysis of otolaryngology patient information forms using text mining techniques
BAŞAK OĞUZ
Yüksek Lisans
Türkçe
2009
Bilim ve TeknolojiAkdeniz ÜniversitesiBiyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
YRD. DOÇ. DR. UĞUR BİLGE
- PPG sinyallerinden yapay zekâ ile gerçek zamanlı kalp ritim analizi
Real-time heart rhythm analysis based on PPG signals with artificial ıntelligence
EMRE ÖZDEMİR
Yüksek Lisans
Türkçe
2025
Yönetim Bilişim SistemleriOsmaniye Korkut Ata ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. AHMET DOĞAN
- Develop a robust computer network architecture that is resistant to unauthorized access by using machine learning methodologies
Makine öğrenme metodolojilerini kullanarak yetkisiz erişime dayanıklı, sağlam bir bilgisayar ağ mimarisi geliştirin
AYA AHMED TAWFEEQ TAWFEEQ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ Abdullahi Abdu IBRAHIM
- Design as making: Integration of design development and fabrication through human-computer interaction
Yaparak tasarlama: insan bilgisayar etkileşimi ile tasarım ve imalat süreçlerini bütünleştirme
SERDAR AŞUT