Estimation of heart disease based on data mining using patients health database
Hasta sağlığı veri tabanı kullanarak veri madenciliğine dayalı kalp hastalığı tahmini
- Tez No: 497861
- Danışmanlar: Assist. Prof. YASA EKŞİOĞLU ÖZOK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 63
Özet
Veri madenciliği (VM), büyük verilerden alınan enformasyon içerisinden bilgi bulmak veya çıkartmak işlemine verilen addır. VM, veri tabanı içerisindeki Bilgi Keşfi (BK) işlemi içerisinde modeller bulmak için akıllı yöntemler kullanır. VM'nin insanlara büyük çaplı verileri anlama ve çözme konusunda yeni bir teknik ve iyi bir araç vereceği konusundaki inanış henüz netlik kazanmamış bir husustur. VM uygulaması içerisindeki geniş fonksiyon yelpazesi içerisinde sınıflandırma, kümeleme, regresyon kural jenerasyonu, sekans analizi ve ilinti bulmak vardır. Sınıflandırma VM'nin önemli tekniklerinden bir tanesidir. Dünyada bilim, ticaret, sanayi ve tıp gibi alanlardaki sorunların birçoğu bu yaklaşımların kullanımı ile çözülebilir. Sinir Ağları (SA) sınıflandırma için iyi bir enstrüman gibi görünmektedir. Kalp Hastalıkları (KH) veri tabanı çalışması SA yaklaşımı kullanılarak test edilmiştir. KH teşhisi kolay bir husus değildir ve çok fazla tecrübe ve bilgi gerektirir. KH öngörüsünde bulunmanın genel yöntemi doktor kontrolü veya ECG, Kalp MRI ve Stres Testi gibi farklı muayene yöntemleridir. Günümüzde kliniksel teşhisler ile ilgili birçok problemi çözebilmek adına 'Yapay Sinir Ağı' (YSA) yaygın olarak kullanılan bir tekniktir. YSA 'insan beyninin simülasyonudur ', gözetimli bir eğitimdir. Mevcut araştırma, SA tekniği ve Özellik Alt Küme Seçimi (ÖAKS) algoritması kullanarak sınıflandırma yapmak için hastalardan istenen biyomedikal testlerin sayısını optimize etmek veya düşürmeyi amaçlamaktadır. ÖAKS bir ön işleme aşamasıdır ve özellik sayısını azaltıp gereksiz verilerin çıkarılmasını amaçlamaktadır. KH değerleri kullanılır ve asıl olarak 13 özellik bulunmaktadır ve bu özellikler KH'yi sınıflandırmak için kullanılır. Özellik sayısını azaltmak veya optimize etmek için farklı değerlendirme ve araştırma yöntemleri belirlenmiştir. Bu araştırmada STALOG veri seti üzerinde bu iki çalışma uygulanmıştır. İlk çalışmada üç algoritma kullanılmıştır: Naïve Bayes (NB) 85.182 oranında bir doğruluk sağlamıştır. Öte yandan J84 oranı 91.4815 ve SA algoritma oranı 99.6296 olmuştur. Ancak, ikinci çalışmada NB 85.925 oranından elde etmiş ve J84 ise 91.4815oranından elde etmiştir. Son olarak, SA 99.2593 oranından elde etmiştir. Ayrıca, iki çalışmadaki SA algoritması doğruluğu, geçmiş çalışmalar ile karşılaştırıldığında en iyi sonuçları elde etmiştir.
Özet (Çeviri)
Data mining (DM) is the process of finding or extracting knowledge from information on a huge piece data. DM uses intelligent methods to find patterns in the process of knowledge discovery (KD) in a database. The appearance field of DM promises to give a new technique and good tools. Also, DM can help the person to understand, solve big amounts of data remains on complex and unsolved problem. The wide functions in DM practice includes: classification, clustering, regression rule generation, sequence analysis and discovering association. The classification is one of the most important techniques of DM. As well as, many problems in various fields such as science, business, industry and medicine can be solved by using these approaches. Neural Networks (NN) have appeared as a good tool for classification. The study of Heart Diseases (HD) database is testing by using NN approach. HD diagnosis is not easy work which demands to a lot of experience and acquaintance. The common way for predicting HD is a doctor's checkup or different medical examination like ECG, Heart MRI Stress Test and etc. Nowadays, 'Artificial Neural Network' (ANN) has been commonly used to the technique for dissolving many problem clinical diagnoses. An ANN is the 'simulation of the human brain', it is a supervised learning. This research aims to optimize or reduce the number of biomedical test which asked from patients. Correspondingly to do a classification approach using NN technique and a Feature Subset Selection (FSS) algorithm. FSS is a pre-processing phase used to reduce number of attribute and remove irrelevant data. HD values are used and originally 13 attributes are involved to classify the HD. To reduce or optimize the number of attributes, different evaluators and search methods are determined. In this research the two studies are conducted on the STALOG data set. The first study used three algorithms: Naïve Bayes (NB) got on accuracy equal to 85.182. While J84 obtained on 91.4815 and NN algorithm got on 99.6296. However, in the second study the NB obtained on 85.925 and J84 got on 91.4815. Finally, NN obtained on 99.2593. Moreover, accuracy of ANN algorithm in the two studies got on the best result when compared with the results of the other algorithms.
Benzer Tezler
- Atenolol yüklenmiş poli(akrilik asit) bazlı hidrojel sistemlerinin kontrollü salımının incelenmesi ve karakterizasyonu
Investigation and characterization of the controlled release of atenolol loaded poly(acrylic acid) based hydrojel systems
SİNEM DEMİR
- Türkiye taşkömürü kurumu ocaklarında gürültü koşullarının incelenmesi, etkilenim düzeylerinin istatistiksel analizi ve risk değerlendirme
Investigation of noise conditions, statistical analysis of noise exposure levels and risk assessment in turkish hard coal enterprise
ABDULLAH FİŞNE
Doktora
Türkçe
2008
Maden Mühendisliği ve Madencilikİstanbul Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNDÜZ ÖKTEN
- Ani kardiyak ölüm riski değerlendirmesi için bulanık sistem tasarımı
Fuzzy system design for assessment of risk of sudden cardiac death
ESRA ÖNDER
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET RECEP BOZKURT
- Yapay öğrenme ile hastalık riski tahmini
Estimation of disease risk by artificial learning
SAVAŞ KARANFİL
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AYŞE YILMAZER