- Uluslararası Sağlık Yönetimi ve Stratejileri Araştırma Dergisi
- Vol: 6 Issue: 2
- MAKİNE ÖĞRENMESİ TEKNİKLERİYLE HASTALIK SINIFLANDIRMASI: RANDOM FOREST, K-NEAREST NEIGHBOUR VE ADABO...
MAKİNE ÖĞRENMESİ TEKNİKLERİYLE HASTALIK SINIFLANDIRMASI: RANDOM FOREST, K-NEAREST NEIGHBOUR VE ADABOOST ALGORİTMALARI UYGULAMASI
Authors : Ülkü Veranyurt, Ahmet Deveci, M. Fevzi Esen, Ozan Veranyurt
Pages : 275-286
View : 23 | Download : 10
Publication Date : 2020-08-29
Article Type : Research
Abstract :Amaç: Bu çalışmada, sağlık yönetiminde etkinliği sağlamak üzere, hastalıkların doğru olarak teşhisinde makine öğrenmesi tekniklerinin başarısının karşılaştırılması amaçlanmıştır. Veri Seti ve Yöntem: Çalışmada, Vanderbilt Üniversitesi tarafından çeşitli hastalıkların risk faktörlerinin yaygınlığını anlamak için gerçekleştirilen ve kamuya açık, 390 hastaya ait 15 değişkenden oluşan veri seti kullanılmıştır. Modelin eğitilmesi ve testi amacıyla, veri setinin %70’i eğitim, %30’u test kümelerine bölünmüştür. Random Forest (RF), K-Nearest Neighbour (KNN) ve AdaBoost algoritmaları kullanılarak sınıflandırma performansları karşılaştırılmıştır. Bulgular: Çalışma sonucunda, RF ve KNN algoritmaları sınıflandırma başarısının %92,30 ve AdaBoost algoritması ile gerçekleştirilen sınıflandırma başarısının ise %90,59 olduğu tespit edilmiştir. Sonuç: Yapay zekâ ve makine öğrenmesi yöntemlerinin sağlık yönetimi ve hizmetleri alanındaki kullanımı gün geçtikçe artmaktadır. Çalışmamızda, hastalıkların doğru olarak teşhisi amacıyla kullanılan algoritmalarla %90’ın üzerinde doğru sınıflandırma başarısı elde edilmiştir. Bu durum, teşhis ve tedavi süreçlerinde insan kaynaklı hataları azaltmak ve medikal karar süreçlerine destek amacıyla, makine öğrenmesi tekniklerine başvurulabileceğini göstermektedir.Keywords : Hastalık sınıflandırma, sağlıkta makine öğrenmesi, diyabet hastalığı