Heart disease prediction using machine learning
Makine öğrenmesi kullanarak kalp hastalığı tahmini
- Tez No: 865973
- Danışmanlar: DR. ÖĞR. ÜYESİ FUAT TÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 66
Özet
Kalp hastalıkları şu anda dünya genelinde ölümlerin önde gelen nedenleri arasında yer almaktadır ve teşhisi giderek daha karmaşık bir süreç haline gelmiştir. Bu nedenle, hastalıkların hızlı teşhisi için makine öğrenimi tekniklerinin kullanılması önerilmektedir. Bu yaklaşım, hem doktorlar hem de hastalar için zaman tasarrufu sağlamayı amaçlamaktadır. Kalp hastalığı tahminine yönelik olarak farklı makine öğrenimi algoritmalarını içeren karşılaştırmalı bir çalışma gerçekleştirdik. Bu algoritmalar arasında lojistik regresyon, rastgele orman, karar ağacı, destek vektör makinesi (DVM), Naive Bayes ve k-en yakın komşular (KYK) bulunmaktadır. Rastgele orman, lojistik regresyon, karar ağacı, KYK, Naive Bayes ve DVM'nin doğruluk oranları sırasıyla %98, %78, %98, %60, %66 ve %63'tür. Bu çalışma, yalnızca bir yönteme değil, kalp hastalığı tahminine yönelik çeşitli yaklaşımları inceledi. Ayrıca, kalp hastalığına sahip hastalar için kullanılabilir bir veri seti üzerinde bagging, stacking ve boosting gibi topluluk öğrenme tekniklerini keşfettim. Bu tekniklerin bir araya getirilmesinin, tahminlerin doğruluğunu önemli ölçüde artırdığını gözlemledik. Stacking, bagging ve boosting için sırasıyla %98, %99 ve %97 doğruluk oranları elde ettik, bu da farklı tekniklerin birleştirilmesinin kalp hastalığı tahminlerini daha kesin hale getirebileceğini göstermektedir
Özet (Çeviri)
Heart disease is currently the leading cause of death worldwide and has become one of the most challenging diseases to diagnose. Consequently, the use of machine learning techniques for rapid disease diagnosis is recommended, which saves time for both doctors and patients. I conducted a comparative study on heart disease prediction using machine learning algorithms such as Logistic Regression, Random Forest, Decision Tree, SVM (Support Vector Machine), Naive Bayes (NB), and KNN (k-nearest neighbors). The accuracy rates obtained were 98%, 78%, 98%, 60%, 66%, and 63% for Random Forest, Logistic Regression, Decision Tree, KNN, NB, and SVM, respectively. This study explored more than just one approach to heart disease prediction. Additionally, I investigated ensemble learning techniques such as bagging, stacking, and boosting on a publicly available dataset of patients with heart disease. I found that combining these techniques significantly increased the accuracy of the predictions: 98% for stacking, 99% for bagging, and 97% for boosting. This demonstrates how integrating various techniques can enhance the precision of heart disease predictions.
Benzer Tezler
- Optimization of heart disease prediction by improving machine learning results without need more data
Başlık çevirisi yok
MOHAMMED GHASSAN ADNAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM
- Makine öğrenmesi algoritmaları ile kalp hastalığı tahmini
Heart disease prediction with machine learning algorithms
YÜKSEL AKTAŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL BEYKENT ÜNİVERSİTESİBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TALAT FİRLAR
- Makine öğrenmesi yöntemleriyle kalp hastalarının sağkalım tahmini
Survival prediction of heart patients with machine learning methods
FATMA AZİZOĞLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HİDAYET TAKCI
- Hastalık tahmininde makine öğrenmesi sınıflandırma algoritmalarının karşılaştırılması ve bootstrap metodu kullanımı
Comparison of machine learning classification algorithms and using the bootstrap method in disease prediction
GAMZE KABA
Yüksek Lisans
Türkçe
2022
İstatistikİstanbul Ticaret Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. SEDA BAĞDATLI KALKAN
- Integrative machine learning approaches for enhanced cardiovascular disease prediction: A comparative analysis of XGBoost and ANFIS algorithms
Kardiyovasküler hastalık tahmininin geliştirilmesi için entegratif makine öğrenmesi yaklaşımları: XGBoost ve ANFIS algoritmalarının karşılaştırmalı analizi
DIYAR FADHIL MUHYI MUHYI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DOÇ. DR. OĞUZ ATA