Yıl: 2021 Cilt: 25 Sayı: 1 Sayfa Aralığı: 112 - 120 Metin Dili: Türkçe DOI: 10.19113/sdufenbed.842460 İndeks Tarihi: 29-07-2022

Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması

Öz:
Diyabet, dünya çapında artan ve gerçekleşen ölümlerin önde gelennedenlerinden biridir. Sürekli artan vaka sayısı diyabetin önlenmesi, erken teşhisi,tedavisi ve takibi konularında bilimsel çalışmalara ihtiyaç duyulduğunugöstermektedir. Son dönemlerde medikal alanda yaşanan teknolojik gelişmelersayesinde elde edilen verinin analiz edilmesi, hastalıkların tanı ve tedavi sürecineolumlu katkılar yapmaktadır. Diyabet hastalığı kapsamında da araştırmacılar,hastalığın teşhis edilmesine yönelik, veriye dayalı sistematik yaklaşımlargeliştirmeye çalışmaktadırlar. Bu amaç doğrultusunda çalışmada, 1999-2008yılları arasında ABD’de bulunan 130 hastanedeki 70000 kayda ait sağlıkvakalarından elde edilmiş veri seti düzenlenerek, bireylerin diyabet durumunagöre sınıflandırılması hedeflenmiştir. Sınıflandırma için veri setine uygun makineöğrenmesi algoritmalarından yararlanılmış ve bu algoritmaların sonuçlarıperformans ölçütlerine göre karşılaştırılmıştır. Elde edilen sonuçlara göre, en iyiperformans gösteren beş sınıflandırma algoritması (Karar ağaçları, k-en yakınkomşuluk, Lojistik regresyon, Naive Bayes ve Rastgele orman) değerlendirmeyealınmış olup en iyi doğru sınıflandırma performansı Rastgele orman algoritması ileelde edilmiştir.
Anahtar Kelime: Diyabet Makine Öğrenmesi Sınıflandırma Algoritmaları

Classification of Diabetes Mellitus with Machine Learning Techniques

Öz:
Diabetes is one of the leading causes of rising and occurring deaths worldwide. The ever-increasing number of cases indicates the need for scientific studies on the prevention, early diagnosis, treatment, and follow-up of diabetes. Analyzing the data obtained with the recent technological developments in the medical field makes positive contributions to the diagnosis and treatment process of diseases. As related to diabetes, researchers are trying to develop data-based systematic approaches to diagnose the disease. Following this purpose, the study aims to classify individuals according to their diabetes status by arranging a data set obtained from 70000 records of health cases in 130 hospitals in the USA between 1999-2008. Machine learning algorithms suitable for the data set are used for the classification and the results of these algorithms are compared regarding the performance criteria. According to the results, the best performing five classification algorithms (Decision trees, k-nearest neighborhood, Logistic regression, Naive Bayes, and Random forest) are evaluated and the best classification performance is obtained with the Random forest algorithm.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • [1] Siva, Z. O. http://www.diyabet.com/diyabet-hakkinda/diyabet-nedir/diyabet-nasil-bir-hastaliktir.html (Erişim Tarihi: 10.01.2020).
  • [2] Anonim, Dünya Sağlık Örgütü, “World Health Organization”. https://www.who.int/health-topics/diabetes#tab=tab_1 (Erişim Tarihi: 05.06.2020).
  • [3] Kaggle, 2018. http://www.kaggle.com/ kumargh/pimaindiansdiabetescsv (Erişim Tarihi: 10.01.2020).
  • [4] Joshi S., Priyanka Shetty, S. R. 2015. Performance Analysis of Different Classification Methods in Data Mining for Diabetes Dataset using WEKA Tool. International Journal on Recent and Innovation Trends in Computing and Communication, 3(3), 1168-1173.
  • [5] Walia N., Kumar M., Kakkar L. 2018. Classification of Diabetes Patient by using Data Mining Techniques. International Journal for Research in Engineering Application & Management, 4(5), 347-351.
  • [6] Karegowda, A. G., Punya, V., Jayaram, M. A., Manjunath, A. S. 2012. Rule Based Classification for Diabetic Patients using Cascaded k-means and Decision Tree C4. 5. International Journal of Computer Applications, 45(12), 45-50.
  • [7] Chen, P., Pan, C. 2018. Diabetes Classification Model Based on Boosting Algorithms. BMC Bioinformatics, 19(1), 1-9.
  • [8] https://archive.ics.uci.edu/ml/datasets/diabetes+130-us+hospitals+for+years+1999-2008# (Erişim Tarihi: 10.12.2019).
  • [9] Strack B., DeShazo J. P., Gennings C., Olmo J. L., Ventura S., Cios K. J., Clore J. N. 2014. Impact of HbA1c Measurement on Hospital Readmission Rates: Analysis of 70,000 Clinical Database Patient Records. BioMed Research International, Article ID 781670, 11s.
  • [10] Çınar, A. 2019. Veri Madenciliğinde Sınıflandırma Algoritmalarının Performans Değerlendirmesi ve R Dili ile Bir Uygulama. Öneri dergisi, 14(51), 90-111.
  • [11] Han, J., Kamber, M., Pei J. 2011. Data Mining: Concepts and Techniques. Third edition. The Morgan Kaufmann Series in Data Management Systems, 5(4), 83-124.
  • [12] Singh, A., Tiwari, V., Tentu, A. N. 2018. A Machine Vision Attack Model on Image Based CAPTCHAs Challenge: Large Scale Evaluation. In International Conference on Security, Privacy, and Applied Cryptography Engineering, Springer, Cham, December 15-19, Kanpur, India, 52-64.
  • [13] Arlot, S., Celisse, A. 2010. A Survey of Cross-validation Procedures for Model Selection. Statistics Surveys, 4, 40-79.
  • [14] Wiens, T. S., Dale, B. C., Boyce, M. S., Kershaw, G. P. 2008. Three Way k-fold Cross-validation of Resource Selection Functions. Ecological Modelling, 212(3-4), 244-255.
  • [15] Mitchell, M. T. 1997. Machine Learning. Sinagapore, TheMcGraw-Hill, 414s.
  • [16] Breiman, L. 2001. Random Forests. Machine Learning, 45(1), 5-32.
  • [17] Rokach, L., Maimon, O. Z. 2008. Data Mining with Decision Trees: Theory and Applications. 2nd Edition, World Scientific, 305s.
  • [18] Hosmer Jr., D. W., Lemeshow, S., Sturdivant, R. X. 2013. Applied Logistic Regression. 3rd Edition, John Wiley & Sons, 510s.
  • [19] Kuyucu, Y.E. 2012. Lojistik regresyon analizi (LRA), yapay sinir ağları (YSA) ve sınıflandırma ve regresyon ağaçları (CART) yöntemlerinin karşılaştırılması ve tıp alanında bir uygulama. Gaziosmanpaşa Üniversitesi, Sağlık Bilimleri Enstitüsü, Yüksek Lisans Tezi, 128s, Tokat.
  • [20] Dudoit, S., Fridlyand, J., Speed, T. P. 2002. Comparison of Discrimination Methods for the Classification of Tumors using Gene Expression Data. Journal of the American Statistical Association, 97(457), 77-87.
  • [21] Chawla, N. V., Bowyer, K. W., Hall, L. O., Kegelmeyer, W. P. 2002. SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, 16, 321-357.
  • [22] Blagus, R., Lusa, L. 2010. Class Prediction for High-dimensional Class-imbalanced Data. BMC Bioinformatics, 11(523), 1-17.
  • [23] Blagus, R., Lusa, L. 2013. Improved Shrunken Centroid Classifiers for High-dimensional Class-imbalanced Data. BMC Bioinformatics, 14(64), 1-13.
APA ÖZLÜER BAŞER B, YANGIN M, Sarıdaş E (2021). Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. , 112 - 120. 10.19113/sdufenbed.842460
Chicago ÖZLÜER BAŞER BILGE,YANGIN METIN,Sarıdaş E. Selin Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. (2021): 112 - 120. 10.19113/sdufenbed.842460
MLA ÖZLÜER BAŞER BILGE,YANGIN METIN,Sarıdaş E. Selin Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. , 2021, ss.112 - 120. 10.19113/sdufenbed.842460
AMA ÖZLÜER BAŞER B,YANGIN M,Sarıdaş E Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. . 2021; 112 - 120. 10.19113/sdufenbed.842460
Vancouver ÖZLÜER BAŞER B,YANGIN M,Sarıdaş E Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. . 2021; 112 - 120. 10.19113/sdufenbed.842460
IEEE ÖZLÜER BAŞER B,YANGIN M,Sarıdaş E "Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması." , ss.112 - 120, 2021. 10.19113/sdufenbed.842460
ISNAD ÖZLÜER BAŞER, BILGE vd. "Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması". (2021), 112-120. https://doi.org/10.19113/sdufenbed.842460
APA ÖZLÜER BAŞER B, YANGIN M, Sarıdaş E (2021). Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25(1), 112 - 120. 10.19113/sdufenbed.842460
Chicago ÖZLÜER BAŞER BILGE,YANGIN METIN,Sarıdaş E. Selin Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 25, no.1 (2021): 112 - 120. 10.19113/sdufenbed.842460
MLA ÖZLÜER BAŞER BILGE,YANGIN METIN,Sarıdaş E. Selin Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol.25, no.1, 2021, ss.112 - 120. 10.19113/sdufenbed.842460
AMA ÖZLÜER BAŞER B,YANGIN M,Sarıdaş E Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2021; 25(1): 112 - 120. 10.19113/sdufenbed.842460
Vancouver ÖZLÜER BAŞER B,YANGIN M,Sarıdaş E Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2021; 25(1): 112 - 120. 10.19113/sdufenbed.842460
IEEE ÖZLÜER BAŞER B,YANGIN M,Sarıdaş E "Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması." Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25, ss.112 - 120, 2021. 10.19113/sdufenbed.842460
ISNAD ÖZLÜER BAŞER, BILGE vd. "Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması". Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 25/1 (2021), 112-120. https://doi.org/10.19113/sdufenbed.842460