Journals Books 2687-5527 doi.org/10.36287/setsci
Latest Issue Archive Future Issues About Us
Conference Proceedings

SETSCI - Volume 4 (6) (2019)
ISAS WINTER-2019 (ENS) - 4th International Symposium on Innovative Approaches in Engineering and Natural Sciences, Samsun, Turkey, Nov 22, 2019

Meme Kanserinin Makine Öğrenmesi Yöntemleri İle İkili Sınıflandırılması
Hakan Kör1*
1Hitit University, Çorum, Turkey
* Corresponding author: hakankor19@gmail.com
Published Date: 2019-12-22   |   Page (s): 508-511   |    373     12
https://doi.org/10.36287/setsci.4.6.145

ABSTRACT Bu çalışmada, 596 kayıt ve 31 sütundan oluşan veri setiyle R programlama dili üzerinde akciğer kanserinin ikili sınıflama başarısı test edilmiştir. İlk aşama veri setinin temizlemesi, boş değerlerin kaldırılması ve verilerin denetlenmesinden oluşmaktadır. Daha sonra her bir değişken arasındaki korelasyon incelenmiş ve görsel olarak sunulmuştur.  Değişkenler için temel bileşen analizi uygulanarak sonuçlar grafiklerle verilmiş ve değişkeler gruplandırılmıştır. Veri setinin % 70’i eğitim verisi % 30’u ise test verisi olarak seçilmiştir. Çalışmada, R programında 15 farklı makine öğrenmesi yöntemi uygulandı ve svm metodunun % 99 doğru sınıflama oranı ile  en yüksek değere sahip olduğu tespit edilmiştir
KEYWORDS Makine öğrenmesi yöntemleri, Akciğer kanseri ve makine öğrenmesi, Makine öğrenmesi ile ikili sınıflama, Akciğer kanserinin ikili sınıflandırılması
REFERENCES [1] Krishnamoorthy, C. S., & Rajeev, S. (2018). Artificial intelligence and expert systems for engineers. CRC press.
[2] Oracle, 2019, https://www.oracle.com/tr/artificial-intelligence/ Erişim Tarihi: 1 Kasım 2019.
[3] Schapire, R. E. , 2003. The boosting approach to machine learning: An overview. In Nonlinear estimation and classification (pp. 149-171). Springer, New York.
[4] Ayodele, T. O. , 2010. Machine learning overview, Intech Open Access Publisher.
[5] Dietterich, T. G. , 1997. Machine-learning research, AI magazine, 18(4), 97.
[6] Siegel RL, Miller KD, Jemal A. Cancer statistics, 2015. CA Cancer J Clin. 2015;65(1):5-29.
[7] Mystakidou K, Tsilika E, Parpa E, Galanos A, Vlahos B. Caregivers of advanced cancer patients:feelings of hopelessness and depression. Cancer Nurs 2007; 30:412–8.
[8] 10. Kitrungroter L, Cohen MZ. Quality of life of family caregivers of patients with cancer: aliterature review. Oncol Nurs Forum 2006; 33:625–32.
[9] Bektaş, B., & Babur, S. (2016, October). Machine learning based performance development for diagnosis of breast cancer. In 2016 Medical Technologies National Congress (TIPTEKNO) (pp. 1-4). IEEE.
[10] Sevli, O. Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması. Avrupa Bilim ve Teknoloji Dergisi, (16), 176-185.
[11] Polat, K., & Güneş, S. (2007). Breast cancer diagnosis using least square support vector machine. Digital signal processing, 17(4), 694-701.
[12] Alharbi, A., & Tchier, F. (2017). Using a genetic-fuzzy algorithm as a computer aided diagnosis tool on Saudi Arabian breast cancer database. Mathematical biosciences, 286, 39-48.
[13] Takcı, H. (2016). Centroid Sınıflayıcılar Yardımıyla Meme Kanseri Teşhisi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 31(2).
[14] Olmus, H., & Erbas, S. (2012). Bayes Ağlarda Kümeleme Metotunu Kullanarak Meme Kanseri Tanisinin Modellenmesi. Turkiye Klinikleri Journal of Biostatistics, 4(1).
[15] AKYOL, K. (2018). Meme Kanseri Tanısı İçin Özniteliklerin Öneminin Değerlendirilmesi Üzerine Bir Çalışma. Academic Platform Journal of Engineering and Science, 6(2), 109-115.
[16] Papageorgiou, E. I., Subramanian, J., Karmegam, A., & Papandrianos, N. (2015). A risk management model for familial breast cancer: A new application using Fuzzy Cognitive Map method. Computer methods and programs in biomedicine, 122(2), 123-135.
[17] Wolberg, W. H., Street, W. N., & Mangasarian, O. L. (1992). Breast cancer Wisconsin (diagnostic) data set. UCI Machine Learning Repository [http://archive. ics. uci. edu/ml/].
[18] DATA -Veri Madenciliği Veri Analizi (Haldun Akpınar), Papatya Bilim, 2014.
[19] Osuna, E.E., Freund, R., Girosi, F. (1997). “Support Vector Machines: Training and Applications, A.I. Massachusetts Institute of Technology and Artificial Intelligence Laboratory, Massachusetts”.
[20] Kavzoğlu, T., ve Çölkesen, İ.(2010). “Destek Vektör Makineleri ile Uydu Görüntülerinin Sınıflandırılmasında Kernel Fonksiyonlarının Etkilerinin İncelenmesi”


SET Technology - Turkey

eISSN  : 2687-5527    
DOI : doi.org/10.36287/setsci

E-mail : info@set-science.com
+90 533 2245325

Tokat Technology Development Zone Gaziosmanpaşa University Taşlıçiftlik Campus, 60240 TOKAT-TURKEY
©2018 SET Technology