Hipotiroidi Hastalığı Teşhisinde Sınıflandırma Algoritmalarının Kullanımı

Akgül, Göksu; Çelik, Ali Akın; Aydin, Zeliha Ergul; Öztürk, Zehra Kamışlı

doi:10.17671/gazibtd.710728

Cited by 16 publications

(5 citation statements)

References 24 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…MCC: Matthews correlation coefficient is a measure that shows the relationship between the predicted class and the actual class, ranging between [-1,1]. If the coefficient is +1, it indicates that the predictions made by the classifier are correct, whereas if it is -1, it indicates that the predictions are incorrect [45]. 4 indicates that the 20-fold crossvalidation method exhibits a marginally better performance compared to other methods.…”

Section: Performance Criteriamentioning

confidence: 99%

Classification of Liver Disorders Diagnosis using Naïve Bayes Method

Bezek Güre

2024

Bitlis Eren Üniversitesi Fen Bilimleri Dergisi

View full text Add to dashboard Cite

Liver diseases pose a significant health challenge, necessitating robust predictive tools for early diagnosis. This study aims to determine the predictive performance of Naive Bayes classifier, one of the data mining algorithms, in the classification of liver diseases. The study applied 5, 10 and 20-fold cross-validation method. Trying to determine the effect of the cross-validation (CV) method used on the classification performance, this study used the "BUPA" dataset in the UCI Machine Learning Repository database for this purpose. The dataset consists of 6 variables and 345 examples. Orange program was used for data analysis. The study showed that the accuracy of the Naive bayes method were 64.6%, 66.7% and 64.3%, respectively. Accordingly, it can be said that the 10-fold CV method performs better. Compared to similar studies, it can be claimed that the analysis results obtained with the Orange program are better.

show abstract

Section: Performance Criteriamentioning

confidence: 99%

Classification of Liver Disorders Diagnosis using Naïve Bayes Method

Bezek Güre

2024

Bitlis Eren Üniversitesi Fen Bilimleri Dergisi

View full text Add to dashboard Cite

show abstract

“…Biyoloji ve tıp alanında yapılan çalışmaların günümüze yaklaştıkça bilgisayar bilimleri yöntemleri ile birleştirildiği çalışmaların yaygınlaştığı görülmüştür [4,5,6,7]. Protein katlanması tanıma problemi için bilgisayar bilimleri ile birleştirilerek yapılan çok sayıda çalışma mevcuttur.…”

Section: Li̇teratür (Related Work)unclassified

Yapay Sinir Ağları Kullanılarak Protein Katlanması Tanıma

DİKİCİ

Altuntaş

2023

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

Proteinler uzun aminoasit zincirlerinden oluşur ve vücut kimyasını düzenlemekle birlikte hücrelerin yapısı ve aralarındaki iletişim için öneme sahiptir. Bir proteinin hücre bazındaki görevini gerçekleştirebilmesi için, molekülü hücredeki hedefiyle etkileşime girebilecek üç boyutlu yapıya dönüştüren bir bükülme süreci olan katlanma işlemini gerçekleştirmesi gerekir. Sıcaklık, ağır metaller veya kimyasal durumlar gibi etkenler proteinlerin yanlış katlanmasına sebep olabilir. Yanlış katlanan proteinler, vücuttaki görevini yerine getiremez. Alzaymır, kistik fibrozis, deli dana hastalığı gibi hastalıklara sebep olabilir. Protein katlanması tanıma işlemi, biyologlar açısından bir problem olarak değerlendirilir. Literatürde yer alan şablon tabanlı yaklaşımlara karşın yapay sinir ağları, protein katlanması probleminin çözümüne yönelik yüksek başarım gösterir. Yapay sinir ağları, ele alınan problemin çözümü için geniş veri kümelerinde yer alan ve problemin çözümüne katkı sağlayacak bilgi kazancı yüksek özellikleri kullanan bir hesaplama tekniğidir. Bu çalışmada SCOPe 2.06, SCOPe 2.07, SCOPe 2.08 veri setleri kullanılarak şablon tabanlı yaklaşımlardan elde edilen sonuçların yapay sinir ağı yöntemi ile birleştirilerek protein katlanması tanıma işlemi gerçekleştirilmiştir. Gerçekleştirilen deneyler sonucunda yapay sinir ağı yönteminin katkısı ile literatürde yer alan sonuçların iyileştirildiği görülmüştür. Bu çalışma ile biyoinformatik alanında protein katlanması tanıma probleminin çözümüne yeni bir yaklaşım sunularak literatüre katkı sağlanması amaçlanmıştır.

show abstract

“…KEYK yönteminin avantajları arasında eğitim verilerindeki gürültüye dirençli olması, yeni veri örnekleri eklenirken yeniden eğitim gerektirmemesi ve kolay anlaşılır olması yer alır. Dezavantajları ise, veri setinin büyüklüğüne bağlı olarak, işlem yükü ve maliyetin artmasıdır [13]. Bu yöntem, sınıflandırma ve örüntü tanıma gibi birçok uygulama alanında kullanılır ve birçok makine öğrenmesi algoritmasına temel oluşturur.…”

Section: Sınıflandırma Yöntemleriunclassified

Çocuklarda Anemi Hastalığının Teşhisinde Topluluk Öğrenme Yöntemlerinin Kullanılması

Farzaliyev

Saihood

Sonuç

2023

ICRAS

View full text Add to dashboard Cite

Okul öncesi çocukların en yaygın hastalığı, özellikle gelişmekte olan ülkelerde, anemi olarakbilinmektedir. Anemi genellikle kötü beslenme ile ilişkili olup, demografik ve sosyal faktörlerle deyakından ilişkilidir. Önceki çalışmalarda, çocuklardaki anemi hastalığını tahmin etmek ve ilişkili faktörleribelirlemek için istatistiksel yöntemler kullanılmıştır. Ancak, bu yöntemlerin yetersiz olduğu sonucunavarılmıştır. Bu çalışmada, çocuklarda anemi hastalığını tahmin etmek için topluluk öğrenme (ensemblelearning) tekniklerinin kullanımı araştırılmıştır. Anemi hastalığını tahmin etmek için Karar Ağacı, DestekVektör Makineleri, Rastgele Orman, Lojistik Regresyon, En Yakın Komşu gibi çeşitli makine öğrenmesialgoritmaları test edilmiştir. Daha sonra bu sınıflandırıcılar, torbalama (bagging), artırma (boosting),istifleme (stacking) gibi öğrenme teknikleri ile modellenerek daha doğru ve güçlü bir tahmin modelininoluşturulması amaçlanmıştır. Bu çalışmada kullanılan veri seti, Irak'ın Haditha Genel Hastanesi vekliniklerinden toplanan 600 örneği içermektedir. Bu örneklerden 429'u anemi hastası iken, 171'i anemihastası değildir. İlgili veri setinde her bir örneğe ait 31 özellik bulunmaktadır. Veri seti üzerinde farklıtopluluk tekniklerinin performansları değerlendirilmiştir. Sonuçlara göre topluluk öğrenme teknikleribireysel sınıflandırıcılara göre daha az doğrulukla tahminde bulunmuştur. Ayrıca, topluluk öğrenmeteknikleri arasında artırma yönteminin en yüksek doğruluğa (%91) eriştiği görülmüştür. Çalışma, topluluköğrenme tekniklerinin çocuklarda anemi hastalığını tahmin etmek için farklı bir yöntem olabileceğinigöstermektedir. Ancak, gelecekteki araştırmalarda veri önişleme, özellik seçimi gibi yöntemlerinkullanılmasının topluluk öğrenme modellerinin performansını artırmada etkili olabileceği öngörülmektedir.

show abstract

Hipotiroidi Hastalığı Teşhisinde Sınıflandırma Algoritmalarının Kullanımı

Cited by 16 publications

References 24 publications

Classification of Liver Disorders Diagnosis using Naïve Bayes Method

Classification of Liver Disorders Diagnosis using Naïve Bayes Method

Yapay Sinir Ağları Kullanılarak Protein Katlanması Tanıma

Çocuklarda Anemi Hastalığının Teşhisinde Topluluk Öğrenme Yöntemlerinin Kullanılması

Contact Info

Product

Resources

About