Geri Dön

Makine öğrenmesi algoritmaları kullanılarak diyabetin erken teşhisi ve performans karşılaştırması

Early diagnosis of diabetes using machine learning algorithms andperformance comparison

PDF İndir

  1. Tez No: 922396
  2. Yazar: ALMİLA SU SALİN
  3. Danışmanlar: PROF. DR. ARAL EGE
  4. Tez Türü: Yüksek Lisans
  5. Konular: Yönetim Bilişim Sistemleri, Management Information Systems
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Ufuk Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Yönetim Bilişim Sistemleri Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

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

  1. Tez No

    606022

    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

    Türkçe

    2019

    İstatistikMimar Sinan Güzel Sanatlar Üniversitesi

    İstatistik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ELİF ÖZGE ÖZDAMAR

  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