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
- Tez No: 877216
- Danışmanlar: DOÇ. DR. OĞUZ ATA
- 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: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Kardiyovasküler hastalıklar (KVH'ler) dünya genelinde önde gelen ölüm nedenidir ve bu durum, hasta sonuçlarını iyileştirmek için gelişmiş tespit ve tanı yöntemlerine olan ihtiyacı vurgulamaktadır. Bu çalışma, kalp hastalığını tahmin etmede iki makine öğrenmesi algoritmasının, XGBoost ve Adaptif Nöro-Bulanık Çıkarım Sistemi'nin (ANFIS) etkinliğini çeşitli veri setlerinde araştırmaktadır. Çalışmada, UCI Makine Öğrenmesi Veritabanı'ndan alınan İsviçre, Cleveland, Macaristan, Long Beach VA ve Statlog Kalp veri setleri kullanılmış ve modelleme koşullarının tutarlılığını sağlamak amacıyla imputasyon, standardizasyon, one-hot encoding ve SMOTEENN gibi standart ön işleme teknikleri uygulanmıştır. Her iki model de kapsamlı bir şekilde eğitilmiş ve optimize edilmiştir. XGBoost, özellikle İsviçre ve Statlog veri setlerinde %100 doğruluk oranı elde ederek üstün başarı göstermiştir; ANFIS ise karmaşık desenleri modellemedeki gücünü, özellikle Cleveland veri setinde mükemmel doğruluk oranı elde ederek kanıtlamıştır. Doğruluk, kesinlik, geri çağırma, F1 skoru, F2 skoru ve ROC-AUC skoru gibi performans değerlendirmeleri, güvenilir KVH tanısı için XGBoost'un tutarlı yüksek kesinlik ve geri çağırma oranlarını vurgulamıştır. Buna karşın, ANFIS'in yüksek F2 skorları ile klinik ortamlarda, yanlış negatiflerin azaltılmasına vurgu yaparak, potansiyelini göstermiştir. Çalışma, XGBoost ve ANFIS gibi gelişmiş makine öğrenmesi modellerinin kardiyovasküler tanılarda kullanımının avantajlarını vurgulamakta ve bu modelleri iyileştirmek ve makine öğrenmesini kullanarak tıbbi tanılarda ilerleme kaydetmek amacıyla daha büyük ve daha çeşitli veri setleriyle daha fazla araştırma yapılmasını önermektedir.
Özet (Çeviri)
Cardiovascular diseases (CVDs) are the leading cause of death globally, underscoring the need for advanced detection and diagnostic methods to enhance patient outcomes. This study investigates the efficacy of two machine learning algorithms, XGBoost and the Adaptive Neuro-Fuzzy Inference System (ANFIS), in predicting heart disease across diverse datasets. Utilizing datasets from the UCI Machine Learning Repository, including Switzerland, Cleveland, Hungarian, Long Beach VA, and Statlog Heart, standard preprocessing techniques such as imputation, standardization, one-hot encoding, and SMOTEENN were applied to ensure consistent modeling conditions. Both models underwent extensive training and optimization. XGBoost excelled, particularly achieving 100% accuracy in the Switzerland and Statlog datasets, while ANFIS demonstrated its strength in modeling complex patterns, notably achieving perfect accuracy in the Cleveland dataset. Performance evaluations using accuracy, precision, recall, F1 score, F2 score, and ROC-AUC score highlighted XGBoost's consistent high precision and recall, vital for reliable CVD diagnosis. In contrast, ANFIS showed potential in clinical settings with its high F2 scores, emphasizing the reduction of false negatives. The study highlights the advantages of using advanced machine learning models like XGBoost and ANFIS in cardiovascular diagnostics, suggesting further research with larger and more varied datasets to refine these models and advance medical diagnostics using machine learning.
Benzer Tezler
- Bir tekstil firmasında kanban sisteminin uygulanması
An Application of kanban system in a textile company
UĞUR ÖZÇER
- A comprehensive analysis of turkish sea level changes and future modeling using machine learning methods
Türk deniz seviyesi değişikliklerinin kapsamlı analizi ve makine öğrenimi yöntemleriyle gelecek modellemesi
ELİF KARTAL
Doktora
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜSSELAM ALTUNKAYNAK
- Metabolism-oriented multiomics data integration
Farklı omı̇k verı̇lerı̇n metabolı̇zma odaklı entegrasyonu
AYCAN ŞAHİN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. ALİ ÇAKMAK
- Siber güvenlik sistemleri için dinamik ve artımlı makine öğrenmesi yaklaşımları
Dynamic and incremental machine learning approaches for cyber security systems
ENGİN BAYSAL
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. CÜNEYT BAYILMIŞ
- Optimizing photovoltaic system diagnostics: integrating machine learning and DBFLA for advanced fault detection and classification
Fotovoltaik sistem tanılarının optimizasyonu: gelişmiş arıza tespiti ve sınıflandırma için makine öğrenimini ve DBFLA'yı entegre etme
OMAR MOHAMMED NSAIF AL-QARAGHULI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHİ ABDU IBRAHIM