Illustration of missing data handling technique generated from hepatitis C induced hepatocellular carcinoma cohort study

Jose, Jesna; Vishwakarma, Gajendra K.; Bhattacharjee, Atanu

doi:10.1016/j.jksus.2021.101403

Cited by 3 publications

(1 citation statement)

References 30 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Genelleştirilmiş Tahmin Denklemleri, Zaman Bağımlı Cox Regresyon, ve Birleşik Modelleme yöntemleri istatistiksel çıkarım için kullanılmıştır. Sonuç olarak çoklu veri tamamlama yöntemlerinin eksik veriler ile çıkarım yapmada daha etkili olduğunu göstermişlerdir [4]. HCC hastalığına yönelik olarak eksik verilerin tamamlanması için 5 farklı yöntem medyan, mod, ortalama, karar ağacı tabanlı regresyon ve lineer regresyon uygulamışlar ve sonuç olarak karar ağacı tabanlı regresyon yönteminin daha başarılı olduğunu tespit etmişlerdir [5].…”

Section: Introductionunclassified

Veri Ölçekleme ve Eksik Veri Tamamlama Yöntemlerinin Makine Öğrenmesi Yöntemlerinin Başarısına Etkisinin İncelenmesi

Polatgil

2023

Düzce Üniversitesi Bilim Ve Teknoloji Dergisi

View full text Add to dashboard Cite

Teknoloji ve bilişim alanındaki yenilikler ile elde edilen verinin büyüklüğü ve çeşitliliği artarak bu verilerin kaydedilmesi ve paylaşılması da kolaylaşmıştır. İnsan eli ile analiz edilmesi oldukça zor olan bu verilerin analizinde bilgisayarlar ve özellikle makine öğrenmesi algoritmaları büyük rol oynamaktadır. Bu analiz sürecinde veri ön işleme aşaması veri üzerinde yapılan çalışmalarda kilit rol oynamaktadır. Veri ön işleme aşamasında eksik verilerin tamamlanması ve veri ölçekleme işlemi gerçekleştirilmektedir. Literatürde eksik veri tamamlaması ile veri ölçekleme yöntemlerinin algoritmalar üzerindeki etkisini ayrı ayrı gösteren çalışmalar bulunmaktadır. Fakat bu iki önemli aşamanın bir arada değerlendirilmesi de gerekmektedir. Bu çalışmada Hepatoselüler Karsinoma (HCC) hastalığı veri seti üzerinde eksik verilerin tamamlanması ve veri ölçekleme yaklaşımlarının Yapay Sinir Ağları, Destek Vektör Makinaları ve Rassal Orman Algoritmalarının sınıflandırma başarılarına etkisi araştırılmıştır. Araştırma sonucunda en iyi sınıflandırmanın eksik verilerin tamamlanmasında ortalama yaklaşımı kullanılması ve min-max veri ölçeklemesi ile gerçekleştiği tespit edilmiştir. Ayrıca sınıflandırma açısından Rassal Orman algoritmasının diğer algoritmalara göre daha başarılı olduğu tespit edilmiştir

show abstract

Section: Introductionunclassified