Kronik Böbrek Hastalığının Makine Öğrenmesi Teknikleri ile Sınıflandırılması
Mustafa İlker ERDURSUN 1*, Hasan ERBAY 2, Ömer Faruk AKMEŞE 3, İbrahim DOĞAN 4
1Hitit Üniversitesi , Çorum , Türkiye
2Kırıkkale Üniversitesi , Kırıkkale , Türkiye
3Hitit Üniversitesi , Çorum , Türkiye
4Hitit Üniversitesi , Çorum , Türkiye
* Corresponding author: milkererdursun@hitit.edu.tr
Presented at the 3rd International Symposium on Innovative Approaches in Scientific Studies (Engineering and Natural Sciences) (ISAS2019-ENS), Ankara, Turkey, Apr 19, 2019
SETSCI Conference Proceedings, 2019, 4, Page (s): 541-544 , https://doi.org/
Published Date: 01 June 2019 |
763 
9
Abstract
Teknolojinin ilerlemesi ile birlikte birçok veri dijital ortamlarda kayıt altına alınarak büyük veri yığınları ortaya çıkmıştır. Veri madenciliği sayesinde bu büyük veri yığınlarının içinden anlamlı ve yararlı bilgilerin ortaya çıkarılması için çalışmalar yapılmaktadır. Özellikle büyük veri yığınlarını analiz etmede klasik analiz yöntemlerinin yetersiz kalması veri madenciliği yöntemlerinin önemini arttırmıştır. Her dönemde olduğu gibi günümüzün en önemli araştırma alanı olan tıp alanında da sürekli olarak hastalara ait veriler artarak kayıt altına alınmaktadır. Kayıt altına alınan veriler bazen tek başına anlamsız gibi görünürken diğer verilerle birlikte bütünsel olarak analiz edildiğinde gizli kalmış önemli bilgiler elde edilebilmektedir. Bu değerli bilgiler, sağlık sektörünün gelişmesine ve doktorların daha doğru bir şekilde teşhis verebilmesine yardımcı olmaktadır. Bu çalışmada, Kronik Böbrek Hastalığı (KBH) veri seti üzerinde analiz yapılmıştır. Farklı modeller oluşturularak, bu modellerin veri üzerindeki tahmin sonuçları karşılaştırılmış ve bu sonuçlara bağlı olarak veriler üzerinde hangi modelin daha iyi sonuç verdiği belirtilmiş
Keywords - Makine Öğrenmesi; Tıbbi Veri Madenciliği; Hastalık Tahmini; Sınıflandırma.
References
[1] Meganathan, D., & Marudachalam, N. International Journal OF Engineering Sciences &Management Research.
[2] Raghavendra, S., & Indiramma, M. (2015). Classification and Prediction Model using Hybrid Technique for Medical Datasets. analysis, 127(5).
[3] Singla, M., & Singh, K. Heart Disease Prediction System using Data Mining Clustering Techniques.
[4] Joshi, S., Shenoy, D., Rrashmi, P. L., Venugopal, K. R., & Patnaik, L. M. (2010, February). Classification of Alzheimer's disease and Parkinson's disease by using machine learning and neural network methods. In Machine Learning and Computing (ICMLC), 2010 Second International Conference on (pp. 218-222). IEEE.
[5] Peter, T. J., & Somasundaram, K. (2012, March). An empirical study on prediction of heart disease using classification data mining techniques. In Advances in Engineering, Science and Management (ICAESM), 2012 International Conference on (pp. 514-518). IEEE.
[6] Robu, R., & Hora, C. (2012, June). Medical data mining with extended WEKA. In Intelligent Engineering Systems (INES), 2012 IEEE 16th International Conference on (pp. 347-350). IEEE.
[7] Dewan, A., & Sharma, M. (2015, March). Prediction of heart disease using a hybrid technique in data mining classification. In Computing for Sustainable Global Development (INDIACom), 2015 2nd International Conference on (pp. 704-706). IEEE.
[8] Soni, J., Ansari, U., Sharma, D., & Soni, S. (2011). Predictive data mining for medical diagnosis: An overview of heart disease prediction. International Journal of Computer Applications, 17(8), 43-48.
[9] Domingos, P., & Pazzani, M. (1997). On the optimality of the simple Bayesian classifier under zero-one loss. Machine learning, 29(2-3), 103-130.
[10] Shrivas, A. K., & Yadu, R. K. (2017). An Effective Prediction Factors for Coronary Heart Disease using Data Mining based Classification Technique. International Journal on Recent and Innovation Trends in Computing and Communication, 5(5), 813-816.
[11] Le Cessie, S., & Van Houwelingen, J. C. (1992). Ridge estimators in logistic regression. Applied statistics, 191-201.
[12] Tong, S., & Chang, E. (2001, October). Support vector machine active learning for image retrieval. In Proceedings of the ninth ACM international conference on Multimedia (pp. 107-118). ACM.
[13] Hearst, M. A., Dumais, S. T., Osuna, E., Platt, J., & Scholkopf, B. (1998). Support vector machines. IEEE Intelligent Systems and their applications, 13(4), 18-28.
[14] Lin, C. F., & Wang, S. D. (2002). Fuzzy support vector machines. IEEE transactions on neural networks, 13(2), 464-471.
[15] Alam, M. S., & Vuong, S. T. (2013, August). Random forest classification for detecting android malware. In Green Computing and Communications (GreenCom), 2013 IEEE and Internet of Things (iThings/CPSCom), IEEE International Conference on and IEEE Cyber, Physical and Social Computing (pp. 663-669). IEEE.
[16] Pal, M. (2005). Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1), 217-222.