Makine öğrenmesi sınıflandırma algoritmalarını kullanarak inme tahmini performansını analiz etme
Analyzing stroke prediction performance using machine learning classification algorithms
- Tez No: 907871
- Danışmanlar: DR. ÖĞR. ÜYESİ SİNA APAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Karışıklık Matrisi, Makine Öğrenmesi, Rastgele Orman Sınıflandırıcısı, İnme, Confusion Matrix, Machine Learning, Random Forest Classifier, Stroke
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 70
Özet
Günümüzde, çevrenin mevcut durumu ve insanların yaşam tarzı seçimlerinin etkisiyle birçok hastalıkla karşı karşıya kalıyoruz. Bu hastalıkların erken tespiti ve öngörülmesi, hastalığın son aşamalarına ilerlemesini önlemek için gereklidir. İnme, beyin damarlarına etki eden bir hastalık olup, ölüm nedenleri arasında ön sıralarda yer alır ve hastalar üzerinde önemli bir mali yük oluşturur. Sağlıkla ilgili davranışlar, inme için büyük risk faktörleri arasında olup, önleme çalışmalarının odak noktası haline gelmiştir. İnme riski, yaşam tarzı değişkenlerini otomatik olarak teşhis edebilen çeşitli makine öğrenme algoritmaları kullanılarak tahmin edilmiştir. Bu çalışmada, inmeyi tahmin etmek için Karar Ağacı (DT), Rastgele Orman (RF), Destek Vektör Makinesi (SVM), Naif Bayes (NB) ve K-En Yakın Komşu Algoritması (KNN) gibi beş denetimli makine öğrenme sınıflandırıcısı kullanılmıştır. 10 özelliğe sahip 5110 öğeden oluşan veri seti, tahmin için uygun hale getirilmek üzere önceden işlenmiştir. Ardından, bahsi geçen sınıflandırıcılar veri üzerinde eğitilmiştir ve karışıklık matrisi (Confussion Matrix), sınıflandırıcıların performansını değerlendirmek için kullanılmıştır. %95.8 doğrulukla (accuracy), Rastgele Orman (RF) algoritması, birkaç fizyolojik parametreye dayalı olarak inmeyi tahmin etmek için kullanılan veri setinde diğer tüm algoritmaları geride bırakmıştır. Makine öğrenme algoritmaları kullanılarak yapılan klinik inme tahmini, bir kişinin tıbbi geçmişi ve fiziksel aktivitesiyle karşılaştırıldığında daha etkili olabilir. Tüm bu teşhislerin yanı sıra, inme hastaları sürekli yoğun bakım gerektirir, bu da disiplinler arası bir ekip tarafından sunulabilir.
Özet (Çeviri)
Nowadays, we are facing many diseases due to the current state of the environment and the impact of people's lifestyle choices. Early detection and prediction of these diseases are necessary to prevent them from progressing to their final stages. Stroke is a disease that affects the brain's blood vessels, ranks among the leading causes of death, and imposes a significant financial burden on patients. Health-related behaviors are major risk factors for stroke and have become the focus of prevention efforts. The risk of stroke has been predicted using various machine learning algorithms that can automatically diagnose lifestyle variables. In this study, five supervised machine learning classifiers were used to predict stroke: Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), Naive Bayes (NB), and K-Nearest Neighbors Algorithm (KNN). The dataset, consisting of 5110 items with 10 features, was pre-processed to be suitable for prediction. Then, the mentioned classifiers were trained on the data, and the confusion matrix was used to evaluate the performance of the classifiers. With 95.8% accuracy, the Random Forest (RF) algorithm outperformed all other algorithms in predicting stroke based on a dataset involving several physiological parameters. Clinical stroke prediction using machine learning algorithms can be more effective compared to relying solely on a person's medical history and physical activity. In addition to all these diagnostics, stroke patients require continuous intensive care, which can be provided by an interdisciplinary team.
Benzer Tezler
- Makine öğrenmesi yöntemleri kullanarak akıllı telefon verileri ile güvenlik personelinin aktivite tespiti
Activity recognition for security personel using machine learning models with smartphone data
SERDAR ASARKAYA
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE ÜNSAL
- Tviter verileri üzerinde sınıflandırma algoritmaları kullanarak hisse senedi değerleri için yön tahmini
Direction estimation for stock values by using classification algorithms on twitter data
MUSTAFA VEHBİ TÜRKALP
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BARIŞ KOÇER
- High level synthesis implementation of classification algorithms for breast cancer detection on xilinx FPGAs
Makine öğrenmesi sınıflandırma algoritmalarının xilinx FPGA üzerinde gerçeklenmesi
ASLIHAN HACER TÜFEKCİOĞLU
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SALİH BAYAR
- Kablosuz ağlar üzerinden gerçekleştirilen siber tehditlerin makine öğrenmesi yöntemleri ile ağ adli bilişim analizinin gerçekleştirilmesi
Cyberspace over wireless networks performing network forensics analysis of threats with machine learning methods
İMRAN KAÇAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiAdli Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATİH ERTAM
- High-resolution soil salinity mapping using machine learning based regression and classification methods
Makine öğrenimi tabanlı regresyon ve sınıflandırma yöntemlerini kullanarak yüksek çözünürlüklü toprak tuzluluğu haritalaması
AYLİN YILDIRIM
Yüksek Lisans
İngilizce
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ELİF SERTEL