Geri Dön

Mikroarray gen ekspresyon veri setlerinde random forest ve naıve bayes sınıflama yöntemleri yaklaşımı

Random forest and naïve bayes approach in microarray gene expressions data sets

PDF İndir

  1. Tez No: 329788
  2. Yazar: EBRU KORKEM
  3. Danışmanlar: DOÇ. DR. ERDEM KARABULUT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Genetik, Biyoistatistik, Genetics, Biostatistics
  6. Anahtar Kelimeler: Random Forest, Naive Bayes, DNA Mikroarray, Sınıflama, Biyoistatistik, Gen ifadesi, Mikrodizilim analizi, Sınıflandırma, Random Forest, Naive Bayes, DNA Microarray, Classification, Bioistatistics, Gene expression, Microarray analysis
  7. Yıl: 2013
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
  12. Bilim Dalı: Biyoistatistik Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Ebru KORKEM Mikroarray Gen Ekspresyon Veri Setlerinde Random Forest ve Naive Bayes Sınıflama Yöntemleri Yaklaşımı. Hacettepe Üniversitesi Sağlık Bilimleri Enstitüsü, Biyoistatistik Programı Yüksek Lisans Tezi, ANKARA, 2012. Bu tez çalışmasında çeşitli kanser türlerine ilişkin farklı büyüklükteki ve farklı sınıf sayılarındaki veri setleri üzerinde, Random Forest ve Naive Bayes sınıflama yöntemleri karşılaştırılmıştır. İki sınıflama yönteminin de her bir veri seti için ayrı ayrı doğru sınıflama oranları, iki sınıflı veri setlerinde (hasta, sağlam) yöntemlerin başarısını karşılaştırmak için ise duyarlılık, seçicilik, kesinlik, F-ölçütü gibi performans ölçüleri hesaplanmıştır. Ayrıca Random Forest yönteminde her veri seti için önemli genler ?doğru sınıflama oranındaki ortalama azalma? değerlerine göre hesaplanmış ve ilk 10 önemli genin gerçekte de sınıflar arasında farklılık gösterip gösterilmediğine bakılmıştır. Random Forest yönteminde ağaçlardaki en uygun değişken sayısına karar vermek için 5 farklı mtry değeri üzerinde çalışılmış (0.5P, 0.1P, P, 1.2 ?P, ?P ) ve en uygun mtry değerine göre sınıflama yapılmıştır. Random Forest ve Naive Bayes'in kanser veri setleri üzerindeki performansları bu değerlerle karşılaştırılmıştır. Her iki sınıflama yönteminin hem ikili hem de çoklu sınıflama da performansları incelenmiş olup sonuçlarda, iki yöntem arasında fark gözlenmemiştir.

Özet (Çeviri)

Ebru KORKEM Random Forest and Naïve Bayes Approach in Microarray Gene Expressions Data Sets. Hacettepe University Institute of Health Sciences, Biostatistic Program Master Degree Thesis, ANKARA, 2012. In this study, two classification methods, Random Forest and Naive Bayes, were compared about various types of cancer on the data sets which are different in size or in number of classes. Correct classification rates of two classification methods for each data set were separately calculated and additionally in two-class data sets (patient-healthy), performance measures like sensitivity, specifity, precision and F-measure were calculated for success comparison of the methods. Also in Random Forest method, for each data set important genes were calculated according to the values of ?mean decrease in accuracy? and it was investigated if in reality first 10 important genes were differed between the classes. In Random Forest method, five different mtry values (0.5P, 0.1P, P, 1.2 ?P, ?P ) were studied to determine the appropriate number of variables in the trees and classification procedure was performed according to that appropriate mtry value. Performances of Random Forest and Naive Bayes on cancer data sets were compared with these values. Each classification method?s performance was examined in binary and multi-class classification and in conclusion it was observed that there weren?t any differences between those two methods.

Benzer Tezler

  1. Tez No

    358990

    New approach to unsupervısed based classıfıcatıon on mıcroarray data

    Mi̇krodi̇zi̇li̇m veri̇lerden danışmansız öğrenmeye dayalı sınıflamada yeni̇ yaklaşım

    ERDAL COŞGUN

    Doktora

    İngilizce

    İngilizce

    2013

    BiyoistatistikHacettepe Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    PROF. DR. ERGUN KARAAĞAOĞLU

  2. Tez No

    1013672

    Cancer subtyping and multi-omics analysis of common precursor B Acute Lymphoblastic Leukemias

    B hücreli (Common Precursor B) akut lenfoblastik lösemilerin kanser alt tiplemesi ve çoklu omic analizi

    BARAN ALKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Biyoistatistikİstanbul Medeniyet Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DOÇ. DR. ELİF KUBAT ÖKTEM

    PROF. DR. HANDAN ANKARALI

  3. Tez No

    417394

    Mikrodizi verilerinde farklı yapı ve sayıda ortaya çıkan eksik verilerin 1.tip hata üzerine etkisinin araştırılması

    Researching effect of missing values occured different structures and numbers onto TYPE I error in microarray datas

    ASENA AYÇA ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    BiyoistatistikMersin Üniversitesi

    Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı

    PROF. DR. EMİNE ARZU KANIK

  4. Tez No

    1009378

    Yaşa bağlı makula dejenerasyonu (YBMD) etyolojisinden sorumlu genlerin in silico analiz ile değerlendirilmesi ve klinik yaklaşımla doğrulanması

    Evaluation of genes responsible for the etiology of age-related macular degeneration (AMD) via in silico analysis and validation through clinical approach

    SALİH ERKAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Göz HastalıklarıSağlık Bilimleri Üniversitesi

    Göz Hastalıkları Ana Bilim Dalı

    DOÇ. DR. IŞIL KUTLUTÜRK KARAGÖZ

  5. Tez No

    818583

    Development of mirna biomarkers for the differentiation between gingivitis and periodontitis: A pilot study

    Gingivitis ve periodontitis ayrımı için mirna biyobelirteçlerinin geliştirilmesi: Pilot çalışma

    DHAFIR LATIEF FAYADH FAYADH

    Doktora

    İngilizce

    İngilizce

    2023

    BiyokimyaSüleyman Demirel Üniversitesi

    Kimya Ana Bilim Dalı

    PROF. DR. MUSTAFA CALAPOĞLU

Geri Dön