- Konya Mühendislik Bilimleri Dergisi
- Vol: 5 Issue: 4
- COMPARING VARIOUS MACHINE LEARNING METHODS FOR PREDICTION OF PATIENT REVISIT INTENTION: A CASE STUDY
COMPARING VARIOUS MACHINE LEARNING METHODS FOR PREDICTION OF PATIENT REVISIT INTENTION: A CASE STUDY
Authors : Osman Demirdöğen, Hamit Erdal, Ahmet Ilker Akbaba
Pages : 386-401
Doi:10.15317/Scitech.2017.99
View : 20 | Download : 13
Publication Date : 2017-12-01
Article Type : Research
Abstract :Müşteri davranışının analizi amacıyla anketlerden, istatistiksel modellere kadar pek çok yöntem önerilmiştir. Son birkaç yılda çeşitli makine öğrenmesi yöntemleri, müşteriye odaklı karar verme problemlerine etkili bir biçimde uygulanmıştır. Yeniden hastane tercih etme davranışının analizi, bilgisayar destekli karar verme modellerine daha fazla bağımlılık gösterme eğilimi içerisindedir. Bilgisayar destekli karar verme, hiçbir zaman hastane yöneticilerinin yerini alamaz ancak basit bir anket yoluyla karar desteği sağlayabilir. Bu çalışmada, yeniden hastane tercih etme davranışının tahmini problemi için uygun makine öğrenmesi yöntemlerinin belirlenmesi amacıyla yaygın olarak kullanılan on adet makine öğrenmesi yönteminin (lojistik regresyon, yapay sinir ağları, destek vektör makineleri, IBk algoritması, KStar algoritması, lokal ağırlıklandırılmış öğrenme algoritması, decisionstump karar ağacı, C4.5. karar ağacı, rastgele ağaç algoritması ve indirgenmiş hata budama karar ağacı) performansları karşılaştırmalı olarak incelenmiştir. Deney sonuçlarına göre C4.5. karar ağacı, en yüksek ortalama doğruluk oranı (95.24%) ile çok düşük Tip-I ve Tip-II hata oranları elde edilmesi nedeniyle en uygun tahminleme modeli olarak belirlenmiştir. C4.5. karar ağacının hemen ardından, sırasıyla, lokal ağırlıklandırılmış öğrenme algoritması (94.44%, 3.43%, 31.58%) ve decisionstump karar ağacı (94.05%, 3,85%, 30.00%) en uygun tahminleme modelleri olarak belirlenirken, lojistik regresyon ve IBk algoritması hem ortalama doğruluk oranına (sırasıyla, 87.30% ve 88.49%) göre, hemde Tip-II hata oranına (sırasıyla, 70.37% ve 68.18%) göre en kötü tahminleme modelleri olarak belirlenmiştir. Bunun yanında rastgele ağaç ve IBk algoritmaları Tip-I hata oranına göre (sırasıyla, 6.36% ve 6.09%) en kötü tahminleme modelleri olarak belirlenmiştir. Sonuç olarak, bu çalışmada yeniden hastane tercih etme davranışının sınıflandırması için umut vadeden sonuçlar ortaya koyulmuştur.Keywords : Yeniden tercih etme davranışı, hastane yönetimi, makine öğrenmesi, tahminleme, lojistik regresyon, yapay sinir ağları, destek vektör makineleri, IBk algoritması, KStar algoritması, lokal ağırlıklandırılmış öğrenme algoritması, decisionstump karar ağacı, C4.5. karar