Topluluk öğrenme yöntemlerinin hastalıkların teşhisinde kullanımı
The use of ensemble learning methods in the diagnosis of diseases
- Tez No: 813986
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRULLAH SONUÇ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Bu çalışmada, Tiroit ve çocuklardaki Anemi hastalığını tahmin etmek için topluluk öğrenme (ensemble learning) tekniklerinin kullanımı araştırılmıştır. Bu iki hastalığı tahmin etmek için Karar Ağacı, Destek Vektör Makineleri, Rastgele Orman, Lojistik Regresyon, K-En Yakın Komşu gibi çeşitli makine öğrenmesi algoritmaları test edilmiştir. Daha sonra bu sınıflandırıcılar, Torbalama, Artırma, İstifleme gibi öğrenme teknikleri kullanılarak daha doğru ve güçlü bir tahmin modeli oluşturulması amaçlanmıştır. Bu çalışmada, Anemi hastalığının tahmini için kullanılan veri seti, Haditha Genel Hastanesi ve kliniklerinde toplanan 600 örneği içermektedir. Bu örneklerin 429'u anemi hastası iken, 171'i anemi hastası değildir. Veri setinde her bir örneğe ait 31 özellik bulunmaktadır. Tiroit hastalığının tahmini için kullanılan veri seti ise 1 ila 90 yaş arası Iraklı erkek ve kadınlardan alınan 1250 örneği içermektedir. İlgili veri setinde her bir örneğe ait 17 özellik bulunmaktadır. Farklı topluluk tekniklerinin performansı veri setleri üzerinde değerlendirilmiştir. Sonuçlara göre, Anemi hastalığının tahmini için topluluk öğrenme teknikleri, bireysel sınıflandırıcılara göre daha düşük doğrulukla tahminde bulunmuştur. Ayrıca, topluluk öğrenme teknikleri arasında artırma yönteminin en yüksek doğruluk oranına (%100) ulaştığı gözlemlenmiştir. Diğer taraftan, Tiroit hastalığı için olan sonuçlara göre topluluk öğrenme teknikleri ve bireysel sınıflandırıcılar, birbirine yakın doğrulukta tahminde bulunmuştur. Fakat topluluk öğrenme teknikleri arasında yine artırma yönteminin en yüksek doğruluğa (%89,6) eriştiği görülmüştür. Bu çalışma, tiroit ve çocuklardaki anemi hastalığını tahmin etmek için topluluk öğrenme tekniklerinin farklı bir yaklaşım olabileceğini göstermektedir. Ancak, gelecekteki araştırmalarda veri ön işleme, özellik seçimi gibi yöntemlerin topluluk öğrenme modellerinin performansını artırmada etkili olabileceği düşünülmektedir.
Özet (Çeviri)
In this study, the utilization of community learning (ensemble learning) techniques has been investigated for predicting Thyroid disease and Anemia disease in children. Various machine learning algorithms such as Decision Trees, Support Vector Machines, Random Forests, Logistic Regression, and K-Nearest Neighbors were tested to predict these two diseases. Subsequently, these classifiers were used in ensemble learning techniques such as bagging, boosting, and stacking to create a more accurate and robust prediction model. The dataset used for predicting Anemia in this study comprises 600 samples collected from Haditha General Hospital and clinics. Among these samples, 429 are Anemic patients, while 171 are non-Anemic. Each sample in the dataset contains 31 features. The dataset used for predicting Thyroid disease consists of 1250 samples obtained from Iraqi males and females aged between 1 and 90. Each sample in the relevant dataset contains 17 features. The performance of different ensemble techniques was evaluated on the datasets. According to the results, ensemble learning techniques for predicting Anemia yielded lower accuracy compared to individual classifiers. Additionally, it was observed that the boosting method achieved the highest accuracy rate (100%). On the other hand, the results for predicting Thyroid disease showed that ensemble learning techniques and individual classifiers yielded similar accuracies. However, once again, the boosting method achieved the highest accuracy (89,6%) among the ensemble learning techniques. This study demonstrates that ensemble learning techniques can be a different approach for predicting Thyroid disease and Anemia in children. However, it is believed that future research should focus on methods such as data preprocessing and feature selection to improve the performance of ensemble learning models.
Benzer Tezler
- Yapay sinir ağları tabanlı topluluk öğrenme yöntemi ile ekg sinyallerinin sınıflandırılması
Classification of ecg signals with artificial neural network based ensemble learning method
ASHA WANYENZE
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLAY TEZEL
- Yapay zekâ-tabanlı hibrit anomali tespit ve klinik karar destek teknikleri ile kardiyovasküler hastalıkların ve COVİD-19'un otomatik tespiti
Artificial intelligence-based hybrid anomaly detection and clinical decision support techniques for automated detection of cardiovascular diseases and COVİD-19
MERVE BEGÜM TERZİ
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN ARIKAN
- Dermatolojik hastalıkların teşhisinde derin öğrenme tabanlı yöntemlerin kullanılması
The use of deep learning-based methods in the diagnosis of dermatological diseases
İSMAİL ANIL AVCI
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ KARAKAYA
PROF. DR. BETÜL DEMİR
- X-ray görüntülerinden alt solunum yolu enfeksiyonlarının teşhisinde transfer öğrenme yöntemleri ve topluluk öğrenmeye dayalı yeni bir yaklaşım
A new approach based on transfer learning methods and ensemble learning in the diagnosis of lower respiratory tract infections from X-ray images
BERİVAN ÖZAYDIN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
DOÇ. DR. RAMAZAN TEKİN
- Pankreas hastalıklarım tahmin etmek için makine öğreniminsı tabanlı bir yaklaşım
A machine learning based approach to predicting pancreatic diseases
DINA AMEER TAQI ZAINY
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM BUYRUKOĞLU