Geri Dön

Diyabet verilerinin destek vektör makineleri kullanılarak sınıflandırılması

Classification of diabetes data using support vector machines

  1. Tez No: 335394
  2. Yazar: YAVUZ CANBAY
  3. Danışmanlar: YRD. DOÇ. DR. METE ÇELİK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2013
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 79

Özet

Diyabet hastalığının vücuda verdiği zararlardan dolayı pek çok komplikasyon oluşabilir. Bu komplikasyonların sınıflandırılması doktorlar için zaman alıcı bir uğraş olmakta ve bununla birlikte karar aşamasında onları yanlış yönlendiren pek çok faktör de ortaya çıkabilmektedir. Diyabetin bilinen pek çok komplikasyonu vardır. Bunlar, kalp hastalıkları, sinir hastalıkları, böbrek yetmezlikleri, görme kayıpları, bazı işitme eksiklikleri ve depresyon problemleri olarak örneklenebilir. Bu komplikasyonlar ayrı ayrı olarak hastalarda görülebileceği gibi pek çok komplikasyon aynı hastada görülebilir. Komplikasyon sayısının fazla oluşu ve pek çok komplikasyonların aynı hastada görülebilir olması doktorların karar vermelerini zorlaştırdığından dolayı, bir karar destek sisteminin geliştirilmesi bu çalışma ile gerçekleştirilmiştir. Literatürde iki sınıflı problemlerin sınıflandırılması için destek vektör makineleri adı verilen bir metot geliştirilmiştir. Bu metot sınıflandırma problemlerinde göstermiş olduğu yüksek performanstan dolayı sıklıkla tercih edilmektedir. Çok sınıflı problemlere destek vektör makinelerinin uygulanmasını sağlamak amacıyla çeşitli stratejiler geliştirilmiştir. Bunlar, Bire Bir ve Bire Hepsi stratejileridir. Yapılan bu çalışmada, diyabet veri kümesinin sınıflandırılması için Bire Bir stratejili Çok Sınıflı Destek Vektör Makineleri yöntemi önerilmiş ve literatürde bilinen tekniklerle karşılaştırılmıştır.

Özet (Çeviri)

A lot of complications can occur in patients body due to damages caused by diabetes. Classification of these complications is a time consuming job for doctors and a lot of factors that misguide doctors can occur in decision stage. There are a lot of complications of diabetes such as heart disease, nerve diasease, kidney failure, eye damage, some hearing deficiencies and depression problems. As these complications can be seen seperately in patients, also they can be occur together in the same patient. Because of being great number of complications and occuring a lot of complications together in the same patient make doctors complicate to decide, developing a decision support system was implemented in this study. In literature, support vector machines were developed for classification of two classes problems. This method is frequently prefered in classification problems because of it's high performance. With the purpose of providing the implementation of support vector machines in multi class problems, various strategies were developed. These are One Againist One and One Againist All strategies. In this study, Multi Class Support Vector Machines with One Againist One strategy was proposed for classification of diabetes data set and it is compared with known techniques in literature.

Benzer Tezler

  1. Tıbbi karar destek sisteminin veri madenciliği yöntemleriyle gerçekleştirilmesi

    Verifying medical decision support system with the methods of data mining

    TUBA PALA

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Elektronik-Bilgisayar Eğitimi Ana Bilim Dalı

    PROF. DR. A. YILMAZ ÇAMURCU

  2. A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy

    Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli

    ÖMER FARUK GÜRCAN

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  3. Makine öğrenmesi yöntemleriyle kalp hastalıklarının teşhis edilmesi

    Diagnosing heart desease by means of machine learning methods

    MERTCAN GÖRGÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET GÜRHANLI

  4. Tensor based feature extraction in kernel machines

    Tensor based feature extraction in kernel machines

    NAGHAM RASHEED HAMEED AL-SAEDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZKAN UFUK NALBANTOĞLU

  5. Özellik çıkarma ve DVM tabanlı AdaBoost algoritması ile biyomedikal veri sınıflandırma

    Biomedical data classification with feature extraction and SVM based AdaBoost algorithm

    MÜCAHİD BARSTUĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. RAHİME CEYLAN