Geri Dön

Heart disease data classification using advanced data mining techniques

Başlık çevirisi mevcut değil.

  1. Tez No: 672335
  2. Yazar: HANA SHABAN ABUZENGENA
  3. Danışmanlar: Prof. Dr. OĞUZ BAYAT
  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: 2020
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 49

Özet

Teknolojilerin gelişmesi nedeniyle, çeşitli kedigillerden gelen veriler, mevcut verilerde önemli ölçüde artmıştır. Günümüz teknolojileri, sağlık hizmetleri ve endüstriyel alanlar gibi insan yaşamı sektörlerinin çoğunda ortaya çıkmıştır. Veri miktarının artmasıyla, mevcut işleme araçlarının geliştirilmesi de başarılı oldu. Literatürde kalp hastalığı analizi, veri bilimleri ve teknolojileri altında katlanmış çeşitli araçlar kullanılarak yapılmaktadır. Bununla birlikte, hastalığın öngörülmesinin gerekli doğruluğu hala tartışılmaktadır. Tıbbi uygulamaların tahmin sistemlerindeki eksiklik, uğraştıkları hayatlarda ciddi riskler oluşturabilir. Makine öğrenimi yaklaşımı, kalıp algılama doğruluğunu artırarak ve eğitim sırasında hatayı azaltarak veri büyük çözümlerinde büyük bir etki sağlamıştır. Büyük verilerde kalıp algılama performansını artırmak için akıllı bir makine öğrenimi araçları geliştirilmiştir. Temelde, bu araçlar gizli bilgileri tespit etmek ve bilgiyi büyük veriden türetmek içindir. Önceki teknikler, verilerdeki gizli kalıpları keşfetmek için basit istatistiksel hesaplamalara dayanıyordu. Bu projede kalp hastalığını sınıflandırmak için üç algoritma kullanılmaktadır. Karar ağacı, Lojistik Regresyon ve Doğrusal Vektör Niceleme, sınıflandırma amacıyla kullanılan algoritmalardır. Her algoritma doğruluk, ortalama kare hatası, ortalama kare hatası ve ortalama mutlak hata kullanılarak incelenir. Duyarlılık ve Özgüllüğü hesaplayan karmaşa matrisi olarak adlandırılan başka bir önemli performans ölçüsü kullanılır. Doğrusal vektör niceleme algoritması, kalp hastalığı sınıflandırma problemi için tüm performans ölçümlerinde daha iyi performans göstermiştir.

Özet (Çeviri)

Data from various felids have dramatically increased in current data due to the advancement of technologies. Technologies of today has inferred in most of human life sectors such as health care and industrial fields. With increment of data amount, a development of current processing tools was as well done. Heart disease analysis is performed in the literature by using several tools folded under data sciences and technologies. However, the required accuracy of prediction the disease is still under dispute. The deficiency in prediction systems of medical applications may cause serious risks in the lives they deal with. Machine learning approach has provided a great impact in data big solutions by enhancement of the pattern detection accuracy and reducing the error while training. A smart machine learning tools have been developed to enhance the performance of pattern detection in big data. Mainly, those tools are meant for detection the hidden information and deriving the knowledge from the big data. The previous techniques were depending on simple statistical calculations to discover the hidden patterns in the data. Three algorithms are being used in this project in order to classify the heart disease. Decision tree, Logistic Regression and Linear Vector Quantization are the algorithms used for the classification purpose. Each algorithm is examined using the accuracy, mean square error, root mean square error and mean absolute error. Another vital measure of performance is used which called as confusion matrix that calculates the Sensitivity and Specificity. Linear vector quantization algorithm has outperformed in all performance metrics for heart disease classification problem.

Benzer Tezler

  1. Çoklu sınıflandırıcı sistemleri ile konjestif kalp yetmezliği teşhisi

    Diagnosing the patients with congestive heart failure using multi stage classifier techniques

    ALİ NARİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    BiyomühendislikBülent Ecevit Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MAHMUT ÖZER

    YRD. DOÇ. DR. YALÇIN İŞLER

  2. Koroner arter hastalığı riskinin makine öğrenmesi ile analiz edilmesi

    Analyzing the risk of coronary artery disease using machine learning

    ŞEYMA CİHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HALİL MURAT ÜNVER

  3. Doğumsal kalp hastalığı olan yenidoğanlarda erken dönem prognozun retrospektif değerlendirilmesi

    Early period prognosis in newborns with congenital heart disease retrospective evaluation

    MÜŞERREF KASAP

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    Çocuk Sağlığı ve HastalıklarıEge Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. ÖZGE ALTUN KÖROĞLU

  4. İleri evre kalp yetersizliği hastalarında serum corin seviyesi ile fonksiyonel kapasitenin ilişkisi

    Relationship between serum corin level and functional capacity in patients with advanced heart failure

    MURAT KARAÇAM

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    KardiyolojiSağlık Bilimleri Üniversitesi

    Kardiyoloji Ana Bilim Dalı

    DOÇ. DR. SİNAN CERŞİT