setsci

SETSCI Conference Proceedings

2687-5527

SET Technology

10.36287/setsci.4.6.145

9658bf82-42ef-4acb-9d7d-a3f8b10331e0

Meme Kanserinin Makine Öğrenmesi Yöntemleri İle İkili Sınıflandırılması

Kör

Hakan

Hitit University

22 12 2019

9 508 511

2019

SET Technology

CC BY 4.0

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

Makine öğrenmesi yöntemleri, Akciğer kanseri ve makine öğrenmesi, Makine öğrenmesi ile ikili sınıflama, Akciğer kanserinin ikili sınıflandırılması

Krishnamoorthy, C. S., & Rajeev, S. (2018). Artificial intelligence and expert systems for engineers. CRC press.

Oracle, 2019, https://www.oracle.com/tr/artificial-intelligence/ Erişim Tarihi: 1 Kasım 2019.

Schapire, R. E. , 2003. The boosting approach to machine learning: An overview. In Nonlinear estimation and classification (pp. 149-171). Springer, New York.

Ayodele, T. O. , 2010. Machine learning overview, Intech Open Access Publisher.

Dietterich, T. G. , 1997. Machine-learning research, AI magazine, 18(4), 97.

Siegel RL, Miller KD, Jemal A. Cancer statistics, 2015. CA Cancer J Clin. 2015;65(1):5-29.

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.

10. Kitrungroter L, Cohen MZ. Quality of life of family caregivers of patients with cancer: aliterature review. Oncol Nurs Forum 2006; 33:625–32.

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.

Sevli, O. Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması. Avrupa Bilim ve Teknoloji Dergisi, (16), 176-185.

Polat, K., & Güneş, S. (2007). Breast cancer diagnosis using least square support vector machine. Digital signal processing, 17(4), 694-701.

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.

Takcı, H. (2016). Centroid Sınıflayıcılar Yardımıyla Meme Kanseri Teşhisi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 31(2).

Olmus, H., & Erbas, S. (2012). Bayes Ağlarda Kümeleme Metotunu Kullanarak Meme Kanseri Tanisinin Modellenmesi. Turkiye Klinikleri Journal of Biostatistics, 4(1).

AKYOL, K. (2018). Meme Kanseri Tanısı İçin Özniteliklerin Öneminin Değerlendirilmesi Üzerine Bir Çalışma. Academic Platform Journal of Engineering and Science, 6(2), 109-115.

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.

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/].

DATA -Veri Madenciliği Veri Analizi (Haldun Akpınar), Papatya Bilim, 2014.

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”.

Kavzoğlu, T., ve Çölkesen, İ.(2010). “Destek Vektör Makineleri ile Uydu Görüntülerinin Sınıflandırılmasında Kernel Fonksiyonlarının Etkilerinin İncelenmesi”