Covid-19 Veri Kümesinin SMOTE Tabanlı Örnekleme Yöntemi Uygulanarak Sınıflandırılması

YAVAŞ, Mustafa; Güran, Aysun; Uysal, Mitat

doi:10.31590/ejosat.779952

Cited by 13 publications

(12 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In a study, it was tried to predict Covid-19 patients based on laboratory test results commonly collected from suspected Covid-19 case applications using the Synthetic Minority Sampling Method (SMOTE) and Artificial Neural Networks (ANN) algorithm. As a result of the study, the success rate was found to be 86% in the original data set, while it was observed that the success rate increased to 90% when the unbalanced data distribution was eliminated by using the SMOTE-based method [7]. It has also been observed that studies have been conducted to estimate the number of cases using machine learning methods [8].…”

Section: Introductionmentioning

confidence: 91%

Karar Ağaçları Kullanılarak Klinik Verilerle Covid-19 Enfeksiyonunun İncelenmesi

Orhanbulucu

Latifoğlu

2022

EJOSAT

View full text Add to dashboard Cite

The coronavirus disease, namely Covid-19 infection, which was declared a worldwide epidemic by the World Health Organization (WHO) in 2020, was first seen in Wuhan, China in the last months of 2019 and has affected the whole world. Early diagnosis of this rapidly spreading epidemic is important to prevent the disease. For this reason, methods such as image processing, deep learning, and machine learning have become important to detect the epidemic early. In this study, it has been tried to classify individuals who test positive and negative for Covid-19 based on some laboratory test results with several Decision Tree methods. Since the original form of the data set has an uneven distribution, the data set has been balanced by applying the oversampling and undersampling methods used for such data sets as a pre-processing study. Balanced dataset and original dataset using 5-Fold Cross Validation (CV), 10-Fold Cross Validation and Leave-One-Out (LOO)-CV, Random Forest (RF), Random Tree (RT), J48, ıt was analyzed with alternating decision tree (ADTree) and Function Trees (FT) classifiers. As a result of the examination, the most successful result was shown by the RF classifier with 87.5% success rates using CV-5 in the original data set, 93.3% using CV-10 and LOO-CV in the oversampling method, and 79% using CV-5 in the undersampling method. In addition to success rates, sensitivity-specificity metrics, which are important for patient and healthy diagnosis, were examined in terms of each classification algorithm and CV value.

show abstract

Section: Introductionmentioning

confidence: 91%

Karar Ağaçları Kullanılarak Klinik Verilerle Covid-19 Enfeksiyonunun İncelenmesi

Orhanbulucu

Latifoğlu

2022

EJOSAT

View full text Add to dashboard Cite

show abstract

“…In this study, the dataset [22], which consists of Chest X-Ray images, has been used. This dataset is a collection of the different datasets from different studies [23,24]. In the dataset 1 , there are 1341 normal/healthy X-Rays, 1345 virus pneumonia X-Rays, and 219 Covid-19 X-Rays.…”

Section: The Datasetmentioning

confidence: 99%

Covid-19 Hastalığının Teşhisi için CNN Tabanlı Modeller ile Adaboost Algoritmasının Kombinasyonunun Performans Analizi

Darici

2023

Politeknik Dergisi

View full text Add to dashboard Cite

At the end of 2019, Covid-19, which is a new form of Coronavirus, has spread widely all over the world. With the increasing daily cases of this disease, fast, reliable, and automatic detection systems have been more crucial. Therefore, this study proposes a new technique that combines the machine learning algorithm of Adaboost with Convolutional Neural Networks (CNN) to classify Chest X-Ray images. Basic CNN algorithm and pretrained ResNet-152 have been used separately to obtain features of the Adaboost algorithm from Chest X-Ray images. Several learning rates and the number of estimators have been used to compare these two different feature extraction methods on the Adaboost algorithm. These techniques have been applied to the dataset, which contains Chest X-Ray images labeled as Normal, Viral Pneumonia, and Covid-19. Since the used dataset is unbalanced between classes SMOTE method has been used to make the number of images of classes balance. This study shows that proposed CNN as a feature extractor on the Adaboost algorithm(learning rate of 0.1 and 25 estimators) provides higher classification performance with 94.5% accuracy, 93% precision, 94% recall, and 93% F1-score.

show abstract

“…SMOTE tekniği, bu gibi durumlarda en yaygın kullanılan ve çoğu zaman en başarılı örnekleme yöntemi olarak literatürde yer almaktadır. Algoritmanın çalışma mantığı Şekil 1'de gösterildiği gibidir [6]. Burada öncelikle, azınlık sınıfına ait her bir gözlemin en yakın k komşusu aranır.…”

Section: B Smote (Senteti̇k Azinlik öRneklem Arttirma Yöntemi̇)unclassified

“…Son yıllarda dengesiz veri kümelerinde, dengesiz veri gruplarını artırmak ya da veri sayısı az olan ve veri toplamanın zor olduğu konularda sentetik olarak veri üretmek amacıyla kullanılan yöntemlerden birisi de SMOTE olmuştur. Literatürde yapılan çalışmalar incelendiğinde, Yavaş ve arkadaşları [6] Covid-19 hastalığının teşhisinde yapay sinir ağı modelinin başarım oranını arttırmak için SMOTE yöntemini önermişlerdir. Çalışmada kullanılan model ile 0.86 olarak elde edilen doğruluk değeri, SMOTE kullanılarak dengelenen veri kümesinde 0.90'a çıkmıştır.…”

Section: Introductionunclassified

Classification of Students' Course Qualifications Using Machine Learning Techniques

Güvenç

Sakal

Çetin

et al. 2022

Düzce Üniversitesi Bilim Ve Teknoloji Dergisi

View full text Add to dashboard Cite

Öğrencilerin akademik başarılarını tahmin etme ve eksik oldukları alanları giderme anlamında yapılan bu çalışma, Bilişim Sistemleri Mühendisliğine Giriş dersi alan öğrencilere uygulanmıştır. Bu öğrencilerin dönem başı bilgisayar bilgi düzeylerinin, dönem sonunda elde ettikleri başarı notu üzerine etkisi makine öğrenmesi yöntemleri uygulanarak eğitim kalitesinin arttırılması amaçlanmıştır. Çalışmaya katılan öğrencilere ait veriseti eğitim ve test verisi olmak üzere ayrıldığında veri yetersizliğinden dolayı anlamsız sonuçlar ortaya çıkmıştır. Bu nedenle makine öğrenmesi algoritmalarının başarımını arttırmak için “Sentetik Azınlık Örneklem Arttırma Yöntemi (SMOTE)” çalışmada veri çoğaltma tekniği olarak seçilmiştir. Veri çoğaltma işlemi yapıldıktan sonra, veri seti üzerinde uygulanan K-en yakın komşu (KNN), Destek vektör makinesi (DVM), Lojistik Regresyon (LR), Rasgele Orman (RF), Karar ağaçları (DT) ve Naive Bayes makine öğrenmesi yöntemlerine göre en iyi sonucu en yakın komşuluk- KNN algoritması ile oluşturulmuş model vermiştir. Bu model, eğitim setinden bağımsız 300 öğrenciden oluşan test verisinin sınıflandırma işlemini, %97.66 doğrulukla tahmin etmiştir.

show abstract

Covid-19 Veri Kümesinin SMOTE Tabanlı Örnekleme Yöntemi Uygulanarak Sınıflandırılması

Cited by 13 publications

References 10 publications

Karar Ağaçları Kullanılarak Klinik Verilerle Covid-19 Enfeksiyonunun İncelenmesi

Karar Ağaçları Kullanılarak Klinik Verilerle Covid-19 Enfeksiyonunun İncelenmesi

Covid-19 Hastalığının Teşhisi için CNN Tabanlı Modeller ile Adaboost Algoritmasının Kombinasyonunun Performans Analizi

Classification of Students' Course Qualifications Using Machine Learning Techniques

Contact Info

Product

Resources

About