Differential privacy for machine learning
Makine öğrenimi için ayırıcı gizlilik
- Tez No: 919030
- Danışmanlar: ASSISTANT PROFESSOR DR. SEVGİ ŞENGÜL AYAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Antalya Bilim Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 52
Özet
Bu çalışma, Antalya Bilim Üniversitesi'nde yürütülen bir deneyi incelemektedir. Hastalık riskini tahmin etmek için makine öğrenimi algoritmalarını kullanmak, sağlık hizmetlerinde hasta sonuçlarını ve erken teşhisi iyileştirmek için umut verici bir yoldur ve hastalık riskini tahmin etmek, sağlık hizmetlerinde hasta sonuçlarını ve erken teşhisi iyileştirmek için umut verici bir yoldur.Sonuçlarımız, karışıklık matrisleri ve ilgili doğruluk puanlarını kullanarak altı makine öğrenimi modelinin üst düzey karşılaştırmalı görselleştirmesini sağlar. Değerlendirilen modeller Lojistik Regresyon, Rastgele Orman, K-En Yakın Komşular (KNN), Naif Bayes, Karar Ağacı ve Destek Vektör Makinesi'dir (SVM). Karışıklık matrisleri, dört ayrı sınıf için gerçek ve öngörülen sınıflandırmaların dökümünü göstererek her modelin performansını görüntüler.Her model, örnekleri bu sınıflara doğru şekilde sınıflandırma yeteneği açısından değerlendirilir ve her karışıklık matrisinin köşegeni doğru tahminleri (gerçek pozitifler ve gerçek negatifler) temsil eder. Matrislerdeki renklerin yoğunluğu, her kategorideki tahminlerin yoğunluğunu gösterir. Her matrisin üstünde, modelin genel doğruluğu görüntülenir ve bu, tüm veri kümesindeki doğru tahminlerin yüzdesini niceliksel olarak belirtir. Bu görsel karşılaştırma, yalnızca her algoritmanın doğruluğunu vurgulamakla kalmaz, aynı zamanda yapılan hata türlerine (benzer sınıflar arasındaki yanlış sınıflandırmalar gibi) ilişkin daha derin içgörüler de sağlar. Sonuçlar, tüm modeller nispeten yüksek doğruluk elde ederken, SVM ve KNN gibi belirli modellerin genel hassasiyet açısından diğerlerinden biraz daha iyi performans gösterdiğini ve belirli sınıf kategorilerindeki yanlış sınıflandırmaları en aza indirdiğini göstermektedir.
Özet (Çeviri)
This study examines an experiment conducted at Antalya Bilim University, Using machine learning algorithms to predict disease risk is a promising way to improve patient outcomes and early diagnosis in healthcare and predicting disease risk is a promising way to improve patient outcomes and early diagnosis in healthcare. Our results provide a high-level comparative visualization of six machine learning models using confusion matrices and their respective accuracy scores. The models evaluated are Logistic Regression, Random Forest, K-Nearest Neighbors (KNN), Naive Bayes, Decision Tree, and Support Vector Machine (SVM). The confusion matrices display the performance of each model by showing the breakdown of actual versus predicted classifications for four distinct classes. Each model is assessed in terms of its ability to correctly classify instances into these classes, with the diagonal of each confusion matrix representing correct predictions (true positives and true negatives). The intensity of the colors in the matrices indicates the concentration of predictions in each category. Above each matrix, the overall accuracy of the model is displayed, which quantifies the percentage of correct predictions across the entire dataset. This visual comparison highlights not only the accuracy of each algorithm but also gives deeper insights into the types of errors made (such as misclassifications between similar classes). The results suggest that while all models achieve relatively high accuracy, certain models like SVM and KNN slightly outperform others in terms of overall precision, minimizing misclassifications in specific class categories.
Benzer Tezler
- Privacy-preserving techniques and machine learning for critical systems
Kritik sistemler için mahremiyet koruyucu teknikler ve makine öğrenmesi
ZÜMRÜT MÜFTÜOĞLU
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM
- Veri mahremiyetinin ve istatistiki özelliklerin korunmasında makine öğrenimi ile meta sezgisel yöntemlerin entegrasyonu
Integrating machine learning and meta heuristics in protecting data privacy and statistical properties
ÖZGÜR SAĞIR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKOCAELİ SAĞLIK VE TEKNOLOJİ ÜNİVERSİTESİBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ULAŞ VURAL
- Privacy preservation for industrial data using generative adversarial networks and differential privacy in machine learning
Makine öğrenmesinde endüstriyel veri mahremiyetinin üretken düşman ağları ve diferansiyel gizlilik kullanarak korunması
YAVUZ SELİM HİNDİSTAN
Doktora
İngilizce
2023
Bilgi ve Belge YönetimiKadir Has ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRULLAH FATİH YETKİN
- Enhancing intrusion detection with privacy-preserving federated learning: Differential privacy and incremental learning integrating
Gizliliği koruyan federated öğrenme ile giriş tespitini geliştirme: Farklı mahremiyet ve artırımlı öğrenme entegrasyonu
ALI SADEQ HUSSEIN ASAL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE NURDAN SARAN
- Privacy-preserving mechanisms for face verification systems
Yüz doğrulama sistemleri için gizliliği koruyucu mekanizmalar
MARAM H. W. ALAGHBAR
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM