TOPLULUK ÖĞRENME YÖNTEMLERİNİN HASTALIKLARIN TEŞHİSİNDE KULLANIMI

Abstract

ÖZET

Bu çalışmada, Tiroit ve çocuklardaki Anemi hastalığını tahmin etmek için topluluk öğrenme (ensemble learning) tekniklerinin kullanımı araştırılmıştır. Bu iki hastalığı tahmin etmek için Karar Ağacı, Destek Vektör Makineleri, Rastgele Orman, Lojistik Regresyon, K-En Yakın Komşu gibi çeşitli makine öğrenmesi algoritmaları test edilmiştir. Daha sonra bu sınıflandırıcılar, Torbalama, Artırma, İstifleme gibi öğrenme teknikleri kullanılarak daha doğru ve güçlü bir tahmin modeli oluşturulması amaçlanmıştır. Bu çalışmada, Anemi hastalığının tahmini için kullanılan veri seti, Haditha Genel Hastanesi ve kliniklerinde toplanan 600 örneği içermektedir. Bu örneklerin 429'u anemi hastası iken, 171'i anemi hastası değildir. Veri setinde her bir örneğe ait 31 özellik bulunmaktadır. Tiroit hastalığının tahmini için kullanılan veri seti ise 1 ila 90 yaş arası Iraklı erkek ve kadınlardan alınan 1250 örneği içermektedir. İlgili veri setinde her bir örneğe ait 17 özellik bulunmaktadır. Farklı topluluk tekniklerinin performansı veri setleri üzerinde değerlendirilmiştir. Sonuçlara göre, Anemi hastalığının tahmini için topluluk öğrenme teknikleri, bireysel sınıflandırıcılara göre daha düşük doğrulukla tahminde bulunmuştur. Ayrıca, topluluk öğrenme teknikleri arasında artırma yönteminin en yüksek doğruluk oranına (%100) ulaştığı gözlemlenmiştir. Diğer taraftan, Tiroit hastalığı için olan sonuçlara göre topluluk öğrenme teknikleri ve bireysel sınıflandırıcılar, birbirine yakın doğrulukta tahminde bulunmuştur. Fakat topluluk öğrenme teknikleri arasında yine artırma yönteminin en yüksek doğruluğa (%89,6) eriştiği görülmüştür. Bu çalışma, tiroit ve çocuklardaki anemi hastalığını tahmin etmek için topluluk öğrenme tekniklerinin farklı bir yaklaşım olabileceğini göstermektedir. Ancak, gelecekteki araştırmalarda veri ön işleme, özellik seçimi gibi yöntemlerin topluluk öğrenme modellerinin performansını artırmada etkili olabileceği düşünülmektedir.

ABSTRACT

In this study, the utilization of ensemble learning techniques has been investigated for predicting Thyroid disease and Anemia disease in children. Various machine learning algorithms such as Decision Trees, Support Vector Machines, Random Forests, Logistic Regression, and K-Nearest Neighbors were tested to predict these two diseases. Subsequently, these classifiers were used in ensemble learning techniques such as bagging, boosting, and stacking to create a more accurate and robust prediction model. The dataset used for predicting Anemia in this study comprises 600 samples collected from Haditha General Hospital and clinics. Among these samples, 429 are Anemic patients, while 171 are non-Anemic. Each sample in the dataset contains 31 features. The dataset used for predicting Thyroid disease consists of 1250 samples obtained from Iraqi males and females aged between 1 and 90. Each sample in the relevant dataset contains 17 features. The performance of different ensemble techniques was evaluated on the datasets. According to the results, ensemble learning techniques for predicting Anemia yielded lower accuracy compared to individual classifiers. Additionally, it was observed that the boosting method achieved the highest accuracy rate (100%). On the other hand, the results for predicting Thyroid disease showed that ensemble learning techniques and individual classifiers yielded similar accuracies. However, once again, the boosting method achieved the highest accuracy (89,6%) among the ensemble learning techniques. This study demonstrates that ensemble learning techniques can be a different approach for predicting Thyroid disease and Anemia in children. However, it is believed that future research should focus on methods such as data preprocessing and feature selection to improve the performance of ensemble learning models.