Geri Dön

Medikal veri setleri için JAYA algoritması tabanlı öznitelik seçimi

Feature selection based on JAYA algorithm for medical datasets

  1. Tez No: 863929
  2. Yazar: MOHAMMAD KARRARI MOGHANJOUGHI
  3. Danışmanlar: DOÇ. DR. GÜRCAN YAVUZ
  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: 2024
  8. Dil: Türkçe
  9. Üniversite: Kütahya Dumlupınar Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 64

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

  1. 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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. İDİRİS DAĞ

    DOÇ. DR. HASAN TEMURTAŞ

  2. 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

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULKADİR ŞENGÜR

  3. Transfer learning based super resolution of aerial images and the effects of the super resolution on object detection

    Öğrenme transferi temelli hava aracı görüntülerinin süper çözünürlüğü ve süper çözünürlüğün nesne tespitine etkileri

    ASLAN AHMET HAYKIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLKAY ÖKSÜZ

  4. Diagnoses of coronary heart disease (CHD) using data mining techniques based on classification

    Sınıflandırma temelli veri madenciliği teknikleri kullanılarak koroner kalp hastalığı (KKH) tanısı

    MUSTAFA ADIL FAYEZ FAYEZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    YRD. DOÇ. DR. OĞUZ ATA

  5. Medikal görüntülerin sınıflandırılmasında kapsül ağ tabanlı derin öğrenme mimarilerinin geliştirilmesi

    Improving capsule network based deep learning architectures for classification of medical images

    SÜMEYRA BÜŞRA ŞENGÜL

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLKER ALİ ÖZKAN