Geri Dön

Ensemble methods for heart disease prediction

Kalp hastalığı tahmini için ensemble metotlar

PDF İndir

  1. Tez No: 774876
  2. Yazar: TALHA KARADENİZ
  3. Danışmanlar: PROF. DR. HADİ HAKAN MARAŞ, DR. ÖĞR. ÜYESİ HALİT ERGEZER
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Kalp hastalıkları, Makine öğrenmesi, Torbalama, Çok değişkenli veriler, Heart diseases, Machine learning, Bagging, Multivariate data
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Çankaya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Bilimi ve Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışma otomatik kalp hastalığı tahmini için ensemble metotları içermektedir; bu kritik sağlık işlemi birçok yeni algoritma ile gerçekleştirilmiştir. Birincisi, ikili dizilerin rastgelelik analizine göre bir taban tahmincisi geliştirilmiştir. İkincisi, sıkıştırılmış kovaryans tahmini metotlarına dayalı başka bir sınıflandırıcı tanıtılmıştır. Üçüncüsü, kurtosis ve KS-test önem şemasına göre şekillenen bir sınıflandırıcı geliştirilmiştir. Son olarak, lojistik regresyon, çoğunluk oy uygulamasına ve olasılık yoğunluk tahminine dayalı sınıflandırıcı şemalarımız ile birleştirilmiştir. Bu son sınıflandırıcı, state-of-the-art metotlar ile karşılaştırılmış ve elde edilen isabet oranları raporlanmıştır.

Özet (Çeviri)

This work consists of automatic heart disease prediction ensemble methods; this critical human health task is performed using several new algorithms. First, we introduce a weak classifier based on the randomness analysis of binary sequences. Second, we present another classifier in which the shrunk covariance estimation is utilised during the training and prediction phases. Third, we present a classifier in which Gaussian probabilities are summed via a kurtosis and KS-test importance scheme. Finally, a two-fold ensemble implementation is created by fusing logistic regression and our majority voting density estimation classifier. This final classifier is compared with state-of-the-art methods, and the sensitivity, specificity, accuracy and optimised precision are reported.

Geri Dön