Makine öğrenmesi ve öznitelik seçim yöntemleri ile kardiyovasküler hastalıkların tespiti

Basit Öğe Kaydı
dc.contributor.advisorKasapbaşı, Mustafa Cem
dc.contributor.authorİzmir, Şeyma
dc.date.accessioned2024-10-10T18:25:22Z
dc.date.available2024-10-10T18:25:22Z
dc.date.issued2023
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalıen_US
dc.descriptionFen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı, Bilgisayar Mühendisliği Bilim Dalıen_US
dc.description.abstractHastalıkların gün geçtikçe arttığı ve çeşitlendiği günümüz dünyasında belli başlı hastalıklar can kayıplarına neden olmaktadır. Bunların başında ise kardiyovasküler hastalıklar gelmektedir. Bu çalışmada kalp hastalığı tahminine yönelik UCI Machine Learning Repository veri tabanlarından Statlog veri seti incelenmiştir. Pearson Korelasyon analizi, Ki-Kare Testi ve RefiefF Algoritması kullanılarak öz nitelik seçim işlemi uygulanmış, seçilen öz nitelikler 7 ayrı senaryo üzerinde örneklenmiştir. Her bir senaryo örneklemi 6 ayrı yöntem kombinasyonu ile analiz edilmiş, toplam 2520 model sonucu incelenmiştir. En yüksek doğruluk olan %95 ile hiper parametre optimizasyonu ile İş Hattı mimarisi kombinasyonu ile Rassal Orman Algoritması ve Gradient Boosting algoritmaları ile ulaşılmıştır.en_US
dc.description.abstractIn today's world, where diseases are increasing and diversifying day by day, certain diseases cause loss of life. At the beginning of these, cardiovascular diseases come first. In this study, the Statlog dataset from the UCI Machine Learning Repository databases for heart disease prediction was examined. The self-attribute selection process was applied by using Pearson Correlation analysis, Chi-Square Test and RefiefF Algorithm, and the selected self-attributes were sampled on 7 separate scenarios. Each scenario sample was analyzed with a combination of 6 separate methods, and a total of 2520 model results were examined. The highest accuracy, 95%, was achieved with the combination of hyper parameter optimization and Pipeline architecture with the Random Forest Algorithm and Gradient Boosting algorithms.en_US
dc.identifier.endpage120en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=S2eMu1TIwY_v4mYv58xAr08Aovx0sybB0j83kl-o2oRutbBSrGL4nYSbgGGOVPRZ
dc.identifier.urihttps://hdl.handle.net/11467/7581
dc.identifier.yoktezid835675en_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.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.titleMakine öğrenmesi ve öznitelik seçim yöntemleri ile kardiyovasküler hastalıkların tespitien_US
dc.title.alternativePrediction of cardiovascular diseases with machine learning and feature selection methodsen_US
dc.typeMaster Thesisen_US

Dosyalar

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu