Sezgisel hibrit öğrenme yöntemleri ile sağlık verilerinin analizi
Analysis of health data with heuristic hybrid learning methods
- Tez No: 868410
- Danışmanlar: PROF. DR. ZEYNEP ORMAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sağlık verilerinin analizi, hastalıkların teşhisi ve tahmini çalışmalarında kritik öneme sahiptir. Günümüzde artan veri miktarıyla birlikte araştırmacıların ve hekimlerin makine öğrenmesi yöntemleriyle tasarlanan doğru tanı sistemlerine olan talepleri açıktır. Makine öğrenmesi yöntemleri, dengeli veri kümeleri ve tam verilere dayanarak tasarlandığından genellikle dengesiz ve eksik veriler içeren sağlık veri kümelerinde hatalı sonuçlara neden olmaktadır. Bu tez çalışmasında, sınıf dengesizliği ve eksik değer problemlerini ele almak üzere hibrit bir ön işleme yöntemi geliştirilmiştir. Bu yöntem, eksik değerlerin tamamlanması için Zincirlenmiş Denklemlerle Çok Değişkenli Atama (MICE) yöntemiyle birlikte Genetik Algoritma (GA) sezgiseli kullanılarak geliştirilen GA-MICE yöntemini ve dengesiz dağılımlı sınıfların dengelemesi için Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) ve Düzenlenmiş En Yakın Komşu (ENN) eksik örnekleme yöntemini GA ve Parçacık Sürü Optimizasyon (PSO) sezgiselleriyle birleştirerek geliştirilen GASMOTEPSO_ENN yöntemini içermektedir. Önerilen yöntemin etkinliği, diyabet, inme ve böbrek hastalığı gibi önemli sağlık sorunlarının tespitinde, açık erişimli veri kümeleri üzerinde 6 farklı makine öğrenmesi sınıflandırma yöntemleriyle test edilmiştir. Elde edilen bulgulara göre, önerilen yöntem, üç veri kümesinde %93 ile %100 arasında değişen doğruluk, kesinlik, duyarlılık, F1-skoru ve Eğri Altındaki Alan (AUC) değerleri elde etmiştir. Bu yöntem, sınıf dengesizliğini ve eksik değer sorunlarını ele almak için etkili bir şekilde çalışmış ve literatürdeki benzer yöntemlere kıyasla daha yüksek ve güvenilir sonuçlar vermiştir.
Özet (Çeviri)
The analysis of health data holds critical importance in the diagnosis and prediction of diseases. With the increasing volume of data in today's world, there is a clear demand from researchers and healthcare professionals for accurately designed diagnostic systems using machine learning methods. However, machine learning methods, being designed based on balanced datasets and complete information, often lead to erroneous results in healthcare datasets due to their inherently imbalanced and incomplete nature. In this thesis, a hybrid preprocessing method has been developed to tackle class imbalance and missing value problems. This method includes the GA-MICE approach, which utilizes Genetic Algorithm (GA) heuristics and the Multiple Imputation by Chained Equations (MICE) method for completing missing values. Additionally, it incorporates the GASMOTEPSO_ENN method, which combines GA and Particle Swarm Optimization (PSO) heuristics with Synthetic Minority Over-Sampling Technique (SMOTE) and Edited Nearest Neighbors (ENN) undersampling technique for balancing imbalanced class distributions. The effectiveness of the proposed method was tested on publicly available datasets for significant health issues such as diabetes, stroke, and kidney disease using six different machine learning classification methods. The findings revealed that the proposed method achieved accuracy, precision, recall, F1-score, and Area Under the Curve (AUC) values ranging from 93% to 100% across the three datasets. This method effectively addressed class imbalance and missing value issues, yielding higher and more reliable results compared to similar methods in the literature.
Benzer Tezler
- An approach based on data mining and feature dimension reduction techniques for analysing heart disease data
Kalp hastalığı verilerinin analizinde veri madenciliği ve öznitelik boyut azaltma tekniklerine dayalı bir yaklaşım
AHMAD AYID AHMAD AHMAD
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN POLAT
- Derin öğrenme yöntemleri kullanılarak görme engelliler için akıllı gözlükler ile gerçek zamanlı duygu tanıma
Real-time emotion recognition with smart glasses for the visually impaired using deep learning methods
MUTHANA ALISAWI
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. NURSEL YALÇIN
- Güçlendirilmiş sezgisel üstü algoritma temelli makine öğrenme algoritmaları ile veri sınıflandırma stratejileri
Data classi̇fi̇cati̇on strategi̇es usi̇ng enhanced metaheuri̇sti̇c-based machi̇ne learni̇ng algori̇thms
BEYTULLAH YAĞIZ
Doktora
Türkçe
2026
İstatistikVan Yüzüncü Yıl Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. YENER ALTUN
DOÇ. DR. ERDAL EKER
- Derin öğrenme yöntemleri kullanarak hiperspektral imgelerin sınıflandırılmasına yönelik yeni yaklaşımlar
New approaches for hyperspectral image classification using deep learning
HASAN BADEM
Doktora
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER BAŞTÜRK
- Sezgisel bulanık küme tabanlı derin öğrenme modelleriyle haploid ve diploid mısırların sınıflandırılması
Classification of haploid and diploid maizes with intuitionistic fuzzy set-based deep learning models
İBRAHİM AYAZ
Yüksek Lisans
Türkçe
2022
Mühendislik BilimleriVan Yüzüncü Yıl ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH KUTLU
DOÇ. DR. ZAFER CÖMERT