Makine öğrenmesi algoritmaları kullanılarak diyabetin erken teşhisi ve performans karşılaştırması
Early diagnosis of diabetes using machine learning algorithms andperformance comparison
- Tez No: 922396
- Danışmanlar: PROF. DR. ARAL EGE
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ufuk Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Yönetim Bilişim Sistemleri Bilim Dalı
- Sayfa Sayısı: 83
Özet
Diyabet, dünya genelinde yaygın bir kronik hastalık olup, erken teşhis edilmediğinde ciddi sağlık komplikasyonlarına yol açabilmektedir. Bu çalışma, diyabet hastalığının erken evrede tahmin edilmesi amacıyla, makine öğrenimi algoritmalarının performansını karşılaştırmalı olarak değerlendirmeyi amaçlamaktadır. Çalışmada kullanılan veri seti, UCI Machine Learning Repository (Dua, D., Graff, C., 2019.) açık veri seti kullanılarak Bangladeş'in Sylhet Diyabet Hastanesi'nden (Islam vd., 2020) elde edilmiş olup 520 hastaya ait 16 öznitelik içermektedir. Veri setinde 320 diyabet pozitif ve 200 diyabet negatif hasta verisi bulunmaktadır. Veri ön işleme sürecinde eksik veri kontrolü yapılmış, sayısal veriler ölçeklendirilmiş ve sınıf dengesizliği SMOTE yöntemi ile düzeltilmiştir. Makine öğrenim algoritmalarından, Karar Ağaçları, k-En Yakın Komşuluk (k-NN), Lojistik Regresyon, Naive Bayes ve Rastgele Orman algoritmaları kullanılmıştır. Modellerin performansı, doğruluk (accuracy), F1 skoru ve ROC-AUC gibi ölçütler kullanılarak değerlendirilmiştir. Elde edilen sonuçlara göre, k-NN modeli, optimize edilmiş hiperparametrelerle %89.7 doğruluk, 0.91 F1 skoru ve 0.90 ROC-AUC skoru ile en iyi performansı göstermiştir. Rastgele Orman modeli de güçlü bir alternatif olarak %87.5 doğruluk ve 0.88 ROC-AUC değeri elde etmiştir. Karışıklık matrisi analizinde, modelin yanlış pozitif ve yanlış negatif oranlarının düşük olduğu gözlemlenmiştir. Elde edilen sonuçlar, makine öğrenimi algoritmalarının diyabetin erken teşhisinde etkili bir araç olduğunu göstermektedir. Özellikle k-NN modeli, küçük veri setlerinde güçlü performans sergilemiştir. Bu çalışma, gelecekte daha büyük ve çeşitli veri setleri ile yapılan araştırmalar için bir temel oluşturmakta ve diyabet teşhisinde teknolojik çözümlerin önemini vurgulamaktadır.
Özet (Çeviri)
Diabetes is a globally prevalent chronic disease that, if not diagnosed early, can lead to severe health complications. This study aims to comparatively evaluate the performance of machine learning algorithms for predicting early-stage diabetes. The dataset used in this study was obtained from the UCI Machine Learning Repository (Dua, D., Graff, C., 2019) and was originally collected at the Sylhet Diabetes Hospital in Bangladesh (Islam et al., 2020). The dataset contains 16 attributes from 520 patients and comprises 320 diabetes-positive and 200 diabetes-negative records. During the data preprocessing phase, missing values were addressed, numerical data were scaled, and class imbalance was corrected using the SMOTE method. The machine learning algorithms used in this study include Decision Trees, k-Nearest Neighbors (k-NN), Logistic Regression, Naive Bayes, and Random Forest. The performance of these models was evaluated based on metrics such as accuracy, F1 score, and ROC-AUC. The results indicate that the k-NN algorithm, with optimized hyperparameters, achieved the highest performance, reaching 89.7% accuracy, an F1 score of 0.91, and a ROC-AUC score of 0.90. The Random Forest algorithm also showed strong performance, attaining 87.5% accuracy and a ROC-AUC score of 0.88. An analysis of the confusion matrix revealed low false positive and false negative rates for these models. These findings demonstrate that machine learning algorithms are effective tools for early diabetes prediction. Larger datasets and improved algorithms could further strengthen these results. This study provides a foundation for integrating machine learning models into mobile applications or clinical decision support systems and underscores the importance of technological solutions in diabetes diagnosis, with the aim of enhancing early diagnosis, treatment planning, reducing healthcare costs, and contributing to public health outcomes.
Benzer Tezler
- XGboost ve karar ağacı tabanlı algoritmaların diyabet veri setleri üzerine uygulaması
Application of XGboost and decision tree based algorithms on diabetes data
GÜLÇİN YANGIN
Yüksek Lisans
Türkçe
2019
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF ÖZGE ÖZDAMAR
- Makine öğrenmesi teknikleri ile sağlık davranışlarına dayalı diyabetin tahmin edilmesi
Predicting of the diabetes based on health behavior with machine learning techniques
HAITHM FADHL MOHAMMED AL-SHARI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiMatematik ve Bilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. ALPER ODABAŞ
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Diyabet tespitinde makine öğrenmesi algoritmaları yaklaşımını kullanarak yapılmış bir çalışma
A study using the approach of machine learning algorithm in detection of diabetes
AYŞE DOĞRU
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT ARI
DR. ÖĞR. ÜYESİ SELİM BUYRUKOĞLU
- Diyabetik retinopati teşhisine yönelik yapay zekâ tabanlı karar destek modeli
An artificial intelligence-based decision support model for diabetic retinopathy diagnosis
ABDULRAHMAN ÇAVLI
Yüksek Lisans
Türkçe
2024
Bilgi ve Belge YönetimiFırat ÜniversitesiTeknoloji ve Bilgi Yönetimi Ana Bilim Dalı
DOÇ. DR. MESUT TOĞAÇAR