Enhancing COVID-19 patient prediction with over-sampling and genetic feature selection
Başlık çevirisi mevcut değil.
- Tez No: 796437
- Danışmanlar: DR. ÖĞR. ÜYESİ OĞUZ ATA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
COVID-19 (koronavirüs hastalığı) üreten SARS-CoV2 virüsü dünyaya yayılmış ve bir pandemi haline gelmiştir. Hasta sayısı her geçen gün arttığı için laboratuvar verilerinin değerlendirilmesi için zamana ihtiyaç duyulmakta, bu da ilaçların ortaya çıkmasına ve kısıtlılıkların keşfine yol açmaktadır. Bu sınırlamaların bir sonucu olarak, öngörücü algoritmaları içeren bir klinik politika sistemi gereklidir. Hastalıkları tanımlayarak, öngörücü algoritmalar sağlık sistemleri üzerindeki baskıyı hafifletebilir. Bu çalışmada, COVID-19'lu potansiyel olarak enfekte olmuş hastaları tanımlayan makine öğrenimi klinik tahmin modelleri oluşturmak için laboratuvar verileriyle aşırı örnekleme ve genetik özellik seçiminin (GF'ler) bir kombinasyonu önerilmiştir. İlk olarak, aşırı örnekleme yöntemi, tüm sınıflar için dağılım verilerini tekdüze hale getirerek dengesizlik sorununun üstesinden gelmek için kullanılır. İkincisi, GF'ler gürültüyü ve alakasız özellikleri verilerden çıkarmak için kullanılır. Modelimizin performansını hesaplamak ve değerlendirmek için birçok metrik kullanıldı: doğruluk, geri çağırma, F1 skoru, AUC ve hassasiyet puanları. Burada rastgele ilk (RF), karar ağacı (DT) ve çok katmanlı algılayıcının (MLP) COVID-19 hastalarını %96'dan fazla doğrulukla sınıflandırabileceği kanıtlanmıştır.
Özet (Çeviri)
SARS-CoV 2, the cause of COVID-19 (coronavirus disease) become a global pandemic. Because the number of patients is growing more and more every day, evaluating test data takes time, which leads to the emergence of drugs and the discovery of limitations. As a result of these limitations, a clinical policy system that includes predictive algorithms is required. By identifying diseases, predictive algorithms can relieve pressure on health care systems. In this study, a combination of over-sampling and genetic feature selection (GFs) with laboratory data is proposed to build machine-learning clinical prediction models that identify potentially infected patients with COVID-19. Firstly, the oversampling method is used to overcome the problem of imbalance by uniforming the distribution data for all classes. Second, the GFs is used to remove the noise and irrelevant features from the data. To compute and evaluate our performance of the proposed method, many metrics were used: accuracy, recall, F1-score, AUC, and precision scores. It is proven here that random forest (RF), decision tree (DT), and multilayer perceptron (MLP), can classify COVID-19 patients with more than 96% accuracy.
Benzer Tezler
- Landsat uyduları aracılığı ile elde edilen görüntülerin işlenmesinde kontrast artırma tekniklerinin tanımı ve bu tekniklere ilişkin bilgisayar programlarının hazırlanması üzerine bir çalışma
Başlık çevirisi yok
BİLHAN TABAK
Yüksek Lisans
Türkçe
1986
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Isı borusu prensibinin güneşli su ısıtıcılarına ve damıtmaya uygulanması
Başlık çevirisi yok
ALİ YÜCEL UYAREL
- Batı Anadolu linyitlerinin koklaşabilme özelliklerinin incelenmesi
The Investigation of cokingability properties of west-anatolia lignites
JALE YANIK
- Protein biyosentez inhibitörlerinin bazı bitki viruslarına etkileri üzerinde araştırmalar
Research on the effects of protein biosynthesis inhibitors on some plant viruses
SEBİLA AKSOY