Hastalık tahmininde makine öğrenmesi sınıflandırma algoritmalarının karşılaştırılması ve bootstrap metodu kullanımı

Basit Öğe Kaydı
dc.contributor.advisorKalkan, Seda Bağdatlı
dc.contributor.authorKaba, Gamze
dc.date.accessioned2024-10-10T18:25:37Z
dc.date.available2024-10-10T18:25:37Z
dc.date.issued2022
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalıen_US
dc.descriptionFen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalıen_US
dc.description.abstractSağlık alanında uzun yıllarca verilerin kayıt altında tutulması ile büyük veri yığınları oluşmaktadır. Veri yığınları makine öğrenmesi yöntemleri kullanılarak sınıflandırılabilir ve daha anlaşılabilir duruma getirilebilir. Bu yöntemler aynı zamanda birçok hastalık tanısının tahmin edilmesine olanak sağlamaktadır. Bu çalışmada, günümüzde küresel olarak ölüm nedenlerinde birinci sırada yer alan Kardiyovasküler Hastalığın erken teşhisi için çeşitli risk faktörleri değerlendirilmiştir. Hastalığın erken tanısı tedavi sürecini hızlandıracağı için sağlık alanında büyük önem taşımaktadır. Bu çalışmada kullanılan veri seti, Kaggle platformu üzerinden elde edilen, "UCI Machine Learning Repository" veri tabanına ait 5 farklı veri setinden 11 ortak özellik altında birleştirilmiş verilerden oluşmaktadır. Çalışmada makine öğrenmesi sınıflandırma algoritmalarından Naive Bayes, Lojistik Regresyon, Rastgele Orman, K-En Yakın Komşu ve Destek Vektör Makineleri olmak üzere beş farklı sınıflandırma yöntemi kullanılarak, oluşturulan modellerin başarı performansları karşılaştırılmıştır. Bu çalışmada, denetimli makine öğrenmesi algoritmaları kullanılarak kalp hastalığı tahminini en iyi yapabilecek modeli belirlemek amaçlanmıştır. Bireylerde kalp hastalığı olma ihtimalini etkileyebilecek olası risk faktörleri incelenmiştir. Çalışmadaki temel hedeflerden biri sınıflandırma yöntemlerinin güvenilirliğini ve tahminsel doğruluğunu arttırmaktır. Bu amaçla veri setine Bootstrap yeniden örnekleme metodu uygulanmıştır. Kullanılan her bir sınıflandırma yönteminin başarısı ham veri ve örneklemler üzerinde model performans ölçütleri ile karşılaştırılmıştır. En başarılı modeli Rastgele Orman algoritmasının oluşturduğu görülmüştür.en_US
dc.description.abstractIn the field of health, large data piles are formed with the recording of data for many years. Data stacks can be classified and made more understandable with using machine learning methods. These methods also allow the estimation of many disease diagnoses. In this study, various of risk factors for early diagnosis of Cardiovascular Disease, which is currently leading couse of death globally, were evaluated. Early diagnosis of the disease carries great importance in the field of health because it accelerates the treatment process. The dataset used in this study, consists of data accumulate under 11 common features from 5 different datasets of the "UCI Machine Learning Repository" database obtained through the Kaggle platform. In this study, the success performances of the models created by using fice different classification methods, namely Naive Bayes, Logistics Regression, Random Forest, K-Nearest Neighbors and Support Vector Machines, which are machine learning classification algorithms, were compared. In this study, it is aimed to determine the model that can best predict heart desease by using supervised machine learning algorithms. Possible risk factors that may affect the probability of having heart disease in individuals were examined. One of the main goals of the study is to increase the reliability and predictive accuracy of the classification methods. For this purpose, Bootstrap resampling method has been applied to the data set. The success of each classificassion method that is used, has been compared with the model performance measures on raw data and samples. It has been seen that the most successful model is the Random Forest algorithm.en_US
dc.identifier.endpage99en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=kIrIdtdJ31bRgjb6fHvMUe7lIaK6DetDKWChCV69gXb1K3cb5hypAhOmfpNWlEsA
dc.identifier.urihttps://hdl.handle.net/11467/7735
dc.identifier.yoktezid771612en_US
dc.language.isotren_US
dc.publisherİstanbul Ticaret Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmz2024_Tezen_US
dc.subjectİstatistiken_US
dc.subjectStatisticsen_US
dc.titleHastalık tahmininde makine öğrenmesi sınıflandırma algoritmalarının karşılaştırılması ve bootstrap metodu kullanımıen_US
dc.title.alternativeComparison of machine learning classification algorithms and using the bootstrap method in disease predictionen_US
dc.typeMaster Thesisen_US

Dosyalar

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu