Kardiyovasküler hastalık tahmininde makine öğrenmesi sınıflandırma algoritmalarının karşılaştırılması

dc.authorid0000-0001-5375-0161en_US
dc.authorid0000-0003-3002-2983en_US
dc.contributor.authorKaba, Gamze
dc.contributor.authorBağdatlı Kalkan, Seda
dc.date.accessioned2022-12-30T11:00:52Z
dc.date.available2022-12-30T11:00:52Z
dc.date.issued2022en_US
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalıen_US
dc.description.abstractMakine öğrenmesi teknikleri, günümüzde birçok alanda kullanılmakta olup veri yığınlarını sınıflandırmaya ve tahmine dayalı analizler ile veriden faydalı bilgiler çıkarmamıza olanak sağlamaktadır. Gelişen teknoloji ile sağlık alanında kayıt altına alınan veri sayısında ciddi artışlar yaşanmaktadır. Sağlık sektöründe oluşan veri yığınlarının makine öğrenmesi yöntemleri ile analiz edilerek yorumlanması, birçok hastalığın erken teşhisinde önem arz etmektedir. Bu çalışmada Kardiyovasküler Hastalığın erken teşhisine katkı sağlamak için makine öğrenmesi algoritmaları ile çalışmada kullanılan veriler üzerinde en başarılı sınıflandırma tahminini yapan algoritmaya ulaşmak hedeflenmiştir. Naive Bayes, Lojistik Regresyon, Rastgele Orman, K-En Yakın Komşu ve Destek Vektör Makineleri olmak üzere beş farklı makine öğrenmesi yöntemi kullanılarak performansları karşılaştırılmıştır. En başarılı performansı veren yöntem tespit edilmiştir. Olası bir kalp hastalığı tahmini üzerine yapılacak olan çalışmalar için makine öğrenmesi algoritmalarından analize uygun yöntem seçiminde fikir vermek amaçlanmıştır. Aynı zamanda, sağlık alanında yapılacak olan benzer çalışmaların güncel tutulması hastalığın erken teşhisine ve tedavisine katkı sağlayabilmektedir.en_US
dc.description.abstractMachine learning techniques are used in many fields nowadays and allow us to classify data piles and extract useful information from data with predictive analysis. With developing technology, there is a significant increase in the number of recorded data in the field of health. With the machine learning methods, analysing and interpreting the data stacks in the field of health is important for the early diagnosis of many diseases. In this study, it is aimed to reach the algorithm that makes the most successful classification prediction on the data used in the study with machine learning algorithms in order to contribute to the early diagnosis of Cardiovascular Disease. The performances were compared by using five different machine learning methods; Naive Bayes, Logistic Regression, Random Forest, K-Nearest Neighbor and Support Vector Machines. The method that gives the most successful estimation performance has been determined. It is aimed to give an idea in the selection of the appropriate method from machine learning algorithms for the studies to be made on the prediction of a possible heart disease. At the same time, keeping up-to-date similar studies in the field of health can contribute to the early diagnosis and treatment of the disease.en_US
dc.identifier.doi10.55071/ticaretfbd.1145660en_US
dc.identifier.endpage193en_US
dc.identifier.issue42en_US
dc.identifier.startpage183en_US
dc.identifier.trdizinid1145661en_US
dc.identifier.urihttps://hdl.handle.net/11467/5955
dc.identifier.urihttps://doi.org/10.55071/ticaretfbd.1145660
dc.identifier.volume21en_US
dc.indekslendigikaynakTR-Dizinen_US
dc.language.isotren_US
dc.publisherİstanbul Ticaret Üniversitesien_US
dc.relation.ispartofİstanbul Ticaret Üniversitesi Fen Bilimleri Dergisien_US
dc.relation.publicationcategoryMakale - Uluslararası Hakemli Dergi - İdari Personel ve Öğrencien_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectKardiyovasküler hastalık, makine öğrenmesi, sınıflandırma algoritmaları.en_US
dc.subjectCardiovascular disease, classification algorithms, machine learning.en_US
dc.titleKardiyovasküler hastalık tahmininde makine öğrenmesi sınıflandırma algoritmalarının karşılaştırılmasıen_US
dc.title.alternativeCOMPARISON OF THE MACHINE LEARNING CLASSIFICATION ALGORITHMS IN THE CARDIOVASCULAR DISEASE PREDICTIONen_US
dc.typeArticleen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Yükleniyor...
Küçük Resim
İsim:
183-193.pdf
Boyut:
599.76 KB
Biçim:
Adobe Portable Document Format
Açıklama:
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.56 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama: