Makine öğrenmesi sınıflandırma algoritmalarının ve parametrelerinin göğüs kanseri tanı tahminleri
Breast cancer diagnostic predictions of machine learning classification algorithms and its parameters
- Tez No: 930578
- Danışmanlar: DOÇ. DR. MUTLU AKAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Matematik, Computer Engineering and Computer Science and Control, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Ana Bilim Dalı
- Bilim Dalı: Matematik Bilim Dalı
- Sayfa Sayısı: 63
Özet
Makine öğrenmesi, veri analitiği ve bilişim alanlarında hızla ilerleyen ve geniş uygulama yelpazesiyle dikkat çeken bir disiplindir. Bu alandaki algoritmalar, veri temelli modeller oluşturarak etkili ve doğru kararlar alabilme yetenekleri sayesinde büyük ilgi görmektedir. Özellikle göğüs kanseri gibi karmaşık hastalıkların tanısında makine öğrenmesi algoritmaları kritik bir rol oynamaktadır. Dünya genelinde kadınlar arasında en yaygın kanser türü olan göğüs kanserinin erken tanısı, tedavi başarısını ve hasta yaşam kalitesini önemli ölçüde artırmaktadır. Bu çalışma, çeşitli makine öğrenmesi algoritmalarının göğüs kanseri tanısındaki performanslarını detaylı bir şekilde karşılaştırarak, klinik uygulamalara ışık tutmayı, daha doğru tanıların yapılmasına katkıda bulunmayı ve makine öğrenmesi teknolojilerinin tıbbi tanı süreçlerindeki potansiyelini ortaya koyarak, sağlık hizmetlerinde inovasyon ve gelişime katkı sağlamayı amaçlamaktadır. Çalışmamızda, göğüs kanseri araştırmalarında yaygın olarak kullanılan LR, SVM-SVC, KNN-KNC, NB-BNB, DT, RF, AB ve NN-MLP algoritmalarının yanı sıra SGD, Ridge, Perceptron, PA, LDA, NC, GPC, GB ve HGB olmak üzere 17 farklı makine öğrenmesi sınıflandırma algoritmasının göğüs kanseri tanısındaki başarıları incelenmiştir. Her bir algoritma için modeller WDBC veri seti kullanılarak eğitilmiştir. Algoritmaların performansları AC, SE/RE, SP, PR, F, NPV, FPR, FDR ve FNR olmak üzere 9 farklı metrik ile değerlendirilmiştir. Ayrıca algoritmaların çeşitli parametre ayarlarının etkileri de incelenmiş olup, DT için min_samples_split, min_samples_leaf ve min_weight_fraction_leaf; RF için n_estimators parametrelerinin varsayılan değerlerinden farklı bazı değerleri için varsayılan değerlere göre algoritmaların daha yüksek tanı başarı oranları sağladıkları görülmüştür. Bu çalışma, göğüs kanseri tanısında makine öğrenmesi algoritmalarının ve parametrelerinin etkilerini inceleyerek, bu alandaki literatüre önemli bir katkı sunmayı hedeflemektedir. Kapsamlı analizimiz, farklı algoritmalar ve parametre ayarlarının göğüs kanseri tanısında nasıl bir performans sergilediğini ortaya koyarak, hangi yöntemlerin daha etkili olduğunu belirlemeye yardımcı olmaktadır. Sonuçlar, makine öğrenmesi algoritmalarının klinik uygulamalarda nasıl daha iyi kullanılabileceğine dair değerli bilgiler sağlamaktadır.
Özet (Çeviri)
Machine learning is a rapidly advancing discipline with numerous applications in data analytics and informatics. Algorithms in this field are valued for creating data-driven models that enable effective and accurate decision-making. Particularly, machine learning algorithms play a critical role in diagnosing complex diseases such as breast cancer. Early diagnosis of breast cancer, the most common cancer among women worldwide, significantly improves treatment success and patient quality of life. This study aims to enhance clinical practices by comparing the performance of various machine learning algorithms in diagnosing breast cancer, contributing to more accurate diagnoses, and showcasing the potential of these technologies in medical diagnosis, thus promoting innovation in healthcare services. In our study, the success of 17 different machine learning classification algorithms, including commonly used ones in breast cancer research such as LR, SVM-SVC, KNN-KNC, NB-BNB, DT, RF, AB, and NN-MLP, as well as SGD, Ridge, Perceptron, PA, LDA, NC, GPC, GB, and HGB, was examined in diagnosing breast cancer. Models for each algorithm were trained using the WDBC dataset. The performance of the algorithms was evaluated with nine metrics: AC, SE/RE, SP, PR, F, NPV, FPR, FDR, and FNR. Additionally, the effects of various parameter settings on the algorithms were examined, and it was observed that for DT and RF, yielded higher diagnostic success rates than their default values. This study contributes to the literature by examining the effects of machine learning algorithms and parameters in breast cancer diagnosis. Our analysis reveals how different algorithms and parameter settings perform in breast cancer diagnosis, helping to determine which methods are more effective. The results provide valuable insights into how machine learning algorithms can be better utilized in clinical applications.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Analysis of signal processing algorithms for detection of human vital signs using uwb radar
Hayati bulguların geniş bantlı radar sistemleri ile tespitinde kullanılan sinyal işleme algoritmalarının analizi
CANSU EREN
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. MESUT KARTAL
PROF. DR. SAEİD KARAMZADEH
- Deep feature transfer from deep learning models into machine learning algorithms to classify COVID-19 from chest X-ray images
Göğüs röntgeni görüntülerinden COVID-19 sınıflandırması yapmak amacıyla derin öğrenme modellerinden makine öğrenmesi algoritmalarına derin öznitelik aktarımı
OZAN GÜLDALİ
Yüksek Lisans
İngilizce
2021
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL İNAN
- Anahtarlamalı relüktans motorun makine öğrenmesi algoritmaları ile konum algılayıcısız sürücü modelinin geliştirilmesi
Developing a position sensorless drive model with machine learning algorithms of a switched reluctance motor
MEHMET AKİF BUZPINAR
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAT DALDABAN
- Hizmet sektöründe derin öğrenme ve makine öğrenmesi teknikleriyle akıllı tedarik sistemi tasarımı
Intelligent supply system design with deep learning and machine learning techniques in the service industry
ZÜMRÜT YILDIRIM
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiAtatürk ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURAK ERKAYMAN