Medikal veri setleri için JAYA algoritması tabanlı öznitelik seçimi
Feature selection based on JAYA algorithm for medical datasets
- Tez No: 863929
- Danışmanlar: DOÇ. DR. GÜRCAN YAVUZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda teknolojideki gelişmelere bağlı olarak her alanda büyük miktarlarda veri ortaya çıkmaktadır. Bu verilerin büyük çoğunluğu tek başına anlamsızken, birbiriyle ilişkili olan küçük kısımları anlamlıdır. Büyük verilerin üretildiği bu alanlarda tutarlı sonuçlar üretmek çok maliyetli olabiliyor. Bu alanlardan biri de tıp alanıdır. Araştırmacılar tıp alanında tutarlı sonuçlar üretmek için birçok çalışma ortaya koymuşlardır. Bu çalışmada, çok sayıda özniteliğe sahip farklı medikal veri kümeleri için (bir veri kümesi hariç diğerleri 2000'den büyüktür) filtre ve sarmalayıcı özellik seçim yöntemlerini birleştiren 2 aşamalı hibrit bir özellik seçim yöntemi öneriyoruz. İlk adımda Relieff'in algoritması kullanılarak medikal veri kümelerinden gereksiz öznitelikler filtrelenerek ikinci adım olan sarmalayıcı adıma gönderilmiştir. Bu adımda sınıflandırıcı olarak Knn (k-en yakın komşu) yöntemi tercih edilmiştir. JASAL adını verdiğimiz bu algoritmada, JASAL'ın arama yeteneklerini güçlendirmek için Levy Flight yöntemi eklenmiştir. JASAL algoritmasının özellik seçim performansı 8 farklı tıbbi veri kümesi ile test edilmiştir. JASAL algoritmasının sonuçları 11 farklı metasezgisel algoritmanın özellik seçim performansı ortalama uygunluk, standart sapma, doğruluk, ortalama özellik seçim boyutu metrikler ile karşılaştırılmıştır. Sonuçlara göre, JASAL algoritması en yüksek doğruluğu elde etti. Üstelik bunu daha az özellik seçerek başarmıştır. Ayrıca, ortalama sıralama değerleri de diğer algoritmalardan daha iyidir. Tüm sonuçlar, önerilen yöntemin çok fazla sayıda özniteliğe sahip veri kümelerinde yüksek sınıflandırma doğruluğu sağladığını ve birbirleriyle anlamlı olan daha küçük bir öznitelik alt kümesi oluşturma konusunda önemli bir yeteneğe sahip olduğunu göstermektedir.
Özet (Çeviri)
In recent years, due to the developments in technology, large amounts of data are emerging in every field. While the majority of this data is meaningless, only a small part of it is interrelated and meaningful. It can be very costly to produce consistent results from this huge amount of data. One of these fields is the medical field. Researchers have put forward many studies to produce consistent results in the medical field. In this paper, we propose a 2 step hybrid feature selection method that combines filter and wrapper feature selection methods for different medical datasets with a large number of attributes (except for one dataset, the others are larger than 2000). In the first step, Relieff's algorithm is used to filter out redundant attributes from the medical datasets and send them to the second step, the wrapper step. In this step, Knn (k-nearest neighbor) method was preferred as a classifier. In this algorithm, which we call JASAL, the Levy Flight method is added to strengthen the search capabilities of JASAL. The feature selection performance of the JASAL algorithm was tested with 8 different medical datasets. The results of the JASAL algorithm are compared with the feature selection performance of 11 different metaheuristic algorithms with the metrics of average fitness, standard deviation, accuracy, average feature selection size. According to the results, the JASAL algorithm achieved the highest accuracy. Moreover, it achieved this by selecting fewer features. Also, the average ranking values are better than the other algorithms. All the results show that the proposed method provides high classification accuracy on datasets with a very large number of attributes and has a significant ability to generate a smaller subset of attributes that are meaningful to each other.
Benzer Tezler
- Anemi hastalığının sınıflandırılmasında makine öğrenmesi algoritmalarının metasezgisel yöntemlerle parametre optimizasyonu
Parameter optimization of machine learning algorithms using metaheuristic methods in classifying anemia disease
NAGİHAN YAĞMUR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İDİRİS DAĞ
DOÇ. DR. HASAN TEMURTAŞ
- Medikal veri setleri için yeni bir aşırı öğrenme makinesi otomatik kodlayıcı tasarımı
A new extreme learning machine auto encoder design for medical datasets
BERNA ARI
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- MEDİKAL GÖRÜNTÜ ANALİZİ İÇİN ÖZ DENETİMLİ ÖĞRENME YÖNTEMLERİN GELİŞTİRİLMESİ
DEVELOPMENT OF SELF-SUPERVISED LEARNING METHODS FOR MEDICAL IMAGE ANALYSIS
MERYEM ALTIN KARAGÖZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZKAN UFUK NALBANTOĞLU
- Medikal görüntüler üzerinde analiz ve sınıflandırma yapmak için bir uygulama tasarımı
An application design for analysis and classification on medical images
ŞULE BESTE KAPÇI
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TURGAY AYDOĞAN
- Ektopik gebelik tedavisinde medikal tedavi başarısını öngörmek için karar destek sistemi geliştirilmesi
Development of a decision support system to predict the success of medical treatment in ectopic pregnancy
OZAN ODABAŞ
Tıpta Uzmanlık
Türkçe
2024
Kadın Hastalıkları ve DoğumSağlık BakanlığıKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. AHKAM GÖKSEL KANMAZ