Dengesiz Veri Kümelerinde İnme Tahmini İçin Özel Seçilimli Hibrit Dengeleme Yöntemi Tasarımı ve Uygulaması
İnme, beyinde kanama ya da tıkanma sonucu oluşan nörolojik bir hastalıktır ve dünya genelinde giderek yaygınlaşmaktadır. Doğrudan ölümlere sebep olabildiği gibi sakatlıklara da yol açabilmektedir. Genel geçer öngörülebilir bir teşhis yöntemi bulunmadığından erken teşhisi oldukça zordur. Bununla birl...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Düzce University
2024-07-01
|
| Series: | Düzce Üniversitesi Bilim ve Teknoloji Dergisi |
| Subjects: | |
| Online Access: | https://dergipark.org.tr/tr/download/article-file/3024263 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | İnme, beyinde kanama ya da tıkanma sonucu oluşan nörolojik bir hastalıktır ve dünya genelinde giderek yaygınlaşmaktadır. Doğrudan ölümlere sebep olabildiği gibi sakatlıklara da yol açabilmektedir. Genel geçer öngörülebilir bir teşhis yöntemi bulunmadığından erken teşhisi oldukça zordur. Bununla birlikte, tekrarlanabilecek inme durumlarını tespit etmek de hayati bir önem taşımaktadır. Yapay zekâ teknikleri kullanılarak erken inme tahmini konusu literatürde birçok kez ele alınarak üzerinde çalışmalar yapılmış; ancak hala geliştirilmeye açık alanlardan birisidir. Bu çalışmada, hasta verilerinin azınlıkta olduğu bir inme veri kümesi üzerinde dengeleme sorununu gidermek amacıyla bir model önerilmektedir. Önerilen bu modelde, veri dengeleme işlemi için parametreleri ateş böceği algoritmasına göre güncellenen bir yapay bağışıklık sistemi algoritması kullanılmıştır. Kullanılan algoritma çıktıları, azınlık sınıfın performansını arttırmak amacıyla Tek Taraflı Seçilim modeline göre düzenlenmiştir. Modelin verimliliği, Kategorik Artırma Algoritması (CatBoost), Hafif Gradyan Artırma Makinesi (LightGBMBoost), Gradyan Artırma (Gradient Boosting - GB), Ekstrem Gradyan Arttırma (Extreme Gradient Boosting - XGBoost), Destek Vektör Makinası (Support Vector Machine - SVM) ve Lojistik Regresyon (Logistic Regression - LR) algoritması olmak üzere altı farklı sınıflandırma algoritmasına göre değerlendirilerek performans metrikleriyle sunulmuştur. Önerilen yaklaşımda doğruluk %86, özgüllük %38, hassasiyet %87 oranlarında elde edilerek literatürdeki çalışmalara kıyasla etkili sonuçlar üretildiği gösterilmiştir. |
|---|---|
| ISSN: | 2148-2446 |