Geri Dön

Makine öğrenmesi sınıflandırma algoritmalarını kullanarak inme tahmini performansını analiz etme

Analyzing stroke prediction performance using machine learning classification algorithms

PDF İndir

  1. Tez No: 907871
  2. Yazar: MURAT KÜLEKCİ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SİNA APAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Karışıklık Matrisi, Makine Öğrenmesi, Rastgele Orman Sınıflandırıcısı, İnme, Confusion Matrix, Machine Learning, Random Forest Classifier, Stroke
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İstanbul Aydın Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

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

  1. Tez No

    840639

    Estimation of building height from ICESat-2/ATLAS and airborne LiDAR data using machine learning algorithms

    Makine öğrenmesi algoritmaları kullanılarak ICESat-2/ATLAS ve havasal LiDAR verilerinden bina yüksekliği tahmini

    ASLIHAN YÜCEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Jeodezi ve Fotogrametriİzmir Katip Çelebi Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MÜGE AĞCA

  2. Tez No

    203

    Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu

    Başlık çevirisi yok

    İRFAN KARAGÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Makine MühendisliğiUludağ Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZ BORAT

  3. Tez No

    257

    Kuyruk modelleri ve analizi üzerine bir uygulama

    Başlık çevirisi yok

    DİDEM ÖZPULAT

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    İstatistikEge Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FİKRET İKİZ

  4. Tez No

    320

    Yenileme yatırımları

    Başlık çevirisi yok

    OSMAN NURİ FİLİZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    İşletmeGazi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OSMAN OKKA

  5. Tez No

    220

    Çeltik kabuklarının yalıtım malzemesi olarak kullanılması

    Başlık çevirisi yok

    B.CİHAN ÇELEBİ

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Makine MühendisliğiUludağ Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET KIRBIYIK

Geri Dön