Geri Dön

Çeşitli çekirdek fonksiyonları ile oluşturulan destek vektör makinesi modellerinin performanslarının incelenmesi: Bir klinik uygulama

The performance exploration of support vector machines models constructed with various kernel functions: A clinical application

PDF İndir

  1. Tez No: 462673
  2. Yazar: EMEK GÜLDOĞAN
  3. Danışmanlar: PROF. DR. CEMİL ÇOLAK, PROF. DR. BAHAR TAŞDELEN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İstatistik, Computer Engineering and Computer Science and Control, Statistics
  6. Anahtar Kelimeler: Destek vektör makinesi, çekirdek fonksiyonları, akut koroner sendromu, Tip II diabetes mellitus, Support vector machine, kernel functions, acute coronary syndrome, type II diabetes mellitus
  7. Yıl: 2017
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 103

Özet

Çeşitli Çekirdek Fonksiyonları ile Oluşturulan Destek Vektör Makinesi Modellerinin Performanslarının İncelenmesi: Bir Klinik Uygulama Amaç: Bu araştırmanın birincil amacı; çeşitli çekirdek fonksiyonları ile oluşturulan destek vektör makinesi modellerinin, akut koroner sendromlu hastalarda diabetes mellitus'u sınıflandırma performanslarının incelenmesi ve karşılaştırılmasıdır. Bu araştırmanın ikincil amacı ise, destek vektör makinesi modeli oluşturulurken kullanılan çeşitli çekirdek fonksiyonlarının parametrelerinin optimize edilerek en iyi sınıflandırma performansını elde etmeye çalışmaktır. Materyal ve Metot: Bu çalışmada incelenen veriler, İnönü Üniversitesi Turgut Özal Tıp Merkezi Kardiyoloji Anabilim Dalı için geliştirilen veritabanından geriye yönelik (retrospektif) olarak seçilmiştir. Çalışmadaki söz konusu veriler akut koroner sendromlu hastalarda tip 2 diabetes mellitus ile değişik demografik ve klinik değişkenleri içermektedir. Akut koroner sendromlu hastalarda tip 2 diabetes mellitus'un sınıflandırılması için Destek Vektör Makinesi modelleri kullanılmıştır. İlgili modeller, ANOVA radyal tabanlı fonksiyon, bessel, doğrusal, Gaussian radyal tabanlı fonksiyon, laplace, polinomiyal ve sigmoid çekirdekleri ile oluşturulmuştur. Bulgular: Laplace çekirdek fonksiyonu ile oluşturulan en iyi sınıflama performansına sahip destek vektör makinesi modeline ilişkin doğruluk, ROC eğrisi altında kalan alan, duyarlılık ve özgüllük [seçicilik] ölçütleri ile % 95 güven aralığı değerleri sırasıyla; 0.9804 (0.9716 - 0.987), 0.9332 (0.9096 - 0.9567), 0.9999 (0.9791 – 1.000) ve 0.9776 (0.9675 – 0.9852) olarak elde edilmiştir. Sonuç: İncelenen değişik çekirdek fonksiyonları ile oluşturulan modeller arasında söz konusu performans ölçütleri dikkate alındığında, en iyi sınıflama performansı laplace Destek Vektör Makinesi modelinden elde edilmiştir. İlerleyen çalışmalarda, farklı klinik verilerde değişik çekirdek fonksiyonlu Destek Vektör Makinesi modelleri ile diğer makine öğrenmesi ya da veri madenciliği algoritmalarının kullanılması hastalıkların sınıflandırma başarısını artırabilecektir.

Özet (Çeviri)

The Performance Exploration of Support Vector Machines Models Constructed with Various Kernel Functions: A Clinical Application Aim: The primary aim of this study is to examine and compare the classification performance of support vector machine models generated by various core functions used to classify diabetes mellitus in acute coronary syndrome patients. The secondary aim is to optimize the parameters of the various kernel functions which are used for constructing the support vector machine model and to achieve the best classification performance. Material and Methods: The data examined in this study were selected retrospectively from the database developed for Inonu University Turgut Ozal Medical Center Cardiology Department. The study included type 2 diabetes mellitus and various demographic and clinical variables in acute coronary syndrome patients. The Support Vector Machine model was used to classify type 2 diabetes mellitus in acute coronary syndrome patients. The related models are constructed by ANOVA radial basis function, bessel, linear, Gaussian radial basis function, laplace, polynomial and sigmoid kernel functions. Results: The best classification performance was obtained by Support Vector Machine model constructed by laplace kernel function based on the results of performance metrics. The accuracy, area under ROC curve, sensitivity and specificity metrics with 95% CI were calculated as; 0.9804 (0.9716 - 0.987), 0.9332 (0.9096 - 0.9567), 0.9999 (0.9791 – 1.000) and 0.9776 (0.9675 – 0.9852), respectively. Conclusion: When the performance metrics were taken into account, the best classification performance was achieved from the laplace Support Vector Machine model. In subsequent studies, the use of Support Vector Machine models with different kernel functions and other machine learning or data mining algorithms in different clinical trials may improve the classification success of the diseases.

Benzer Tezler

  1. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  2. Tez No

    444240

    Destek vektör makineleri yardımıyla tüketici kredilerinin sınıflandırılması

    Classifying consumer loans by means of support vector machines

    KAYAHAN KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ

  3. Tez No

    827860

    Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini

    Forecasting the spread of covid-19 using deep learning and big data analytics methods

    CYLAS KIGANDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. MUHAMMET ALİ AKCAYOL

  4. Tez No

    709835

    Penetration rate optimization in heterogeneous formations with support vector machines method

    Destek vektör makinesi yöntemi ile heterojen formasyonlarda ilerleme hızı optimizasyonu

    KORHAN KOR

    Doktora

    İngilizce

    İngilizce

    2021

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜRŞAT ALTUN

  5. Tez No

    310564

    Destek vektör regresyonu ile PID kontrolör tasarımı

    Design of PID controller via support vector regression

    KEMAL UÇAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. GÜLAY ÖKE

Geri Dön