Koroner Arter Hastalığı Sınıflandırılmasında Destek Vektör Makinelerinin Gri Kurt Optimizasyonuna Dayalı Özellik Seçim Yöntemi ile Geliştirilmesi
Author:
Er Büşra1ORCID, Fidan Ugur1ORCID
Affiliation:
1. AFYON KOCATEPE ÜNİVERSİTESİ
Abstract
Makine öğrenmesi yöntemleri, büyük veri kümelerinin analiz edilmesine olanak sağlayarak koroner arter rahatsızlığı ve/veya buna benzer hastalık ve durumların tespit edilmesinde kullanılan etkili bir araçtır. Büyük veri kümelerinde işlem hızını ve sınıflandırma başarımını etkileyen gereksiz veya kararı olumsuz yönde etkileyen veriler bulunabilmektedir. Özellik seçim tekniklerinin uygulanması gereksiz verilerin ortadan kaldırılmasına olanak sağlamaktadır. Bu çalışmada, koroner arter hastalığını teşhis etmek amacıyla en uygun özellik alt kümesini belirlemek üzere yeni bir sınıflandırma yöntemi önerilmiştir. Önerilen yöntem, öznitelik seçimi ve sınıflandırma olmak üzere iki ana aşamadan oluşmaktadır. Önerilen yöntemin performans doğrulaması için Cleveland kalp hastalığı veri seti kullanılmıştır. İlk aşamada, en iyi özellikleri bulmak için gri kurt optimizasyonu (GWO) kullanılmıştır. Kullanılan veri setinde bulunan 13 parametre arasında 7 en etkili parametre seçilmiş ve sınıflandırma işlemi bu 7 parametre üzerinden gerçekleştirilmiştir. İkinci aşamada, GWO'nun uygunluk fonksiyonu, destek vektör makinesi (SVM) sınıflandırıcısı kullanılarak değerlendirilmiştir. Çalışmada belirlenen uygunluk fonksiyonları SVM’de kullanılan çekirdek matrislerin farklı varyasyonları ile değerlendirilmiştir. Bu aşamada en yüksek doğruluk elde edilen çekirdek matris belirlenmiştir. Deneysel sonuçlar, önerilen GWO-SVM'nin lineer çekirdek matris kullanılarak %95.91 doğrulukta, %95.64 duyarlılıkta ve %91.66 başarı ile mevcut çalışmalara kıyasla daha yüksek başarım sağlandığını göstermiştir
Funder
Yazarlar, bu çalışma için kamu, ticari veya kâr amacı gütmeyen sektörlerdeki fon kuruluşlarından özel bir hibe almadıklarını beyan ederler.
Publisher
Eskisehir Osmangazi University
Reference31 articles.
1. Shouman, M., Turner, T. & Stocker, R. 2012. Using data mining techniques in heart disease diagnosis and treatment. Japan-Egypt Conference on Electronics, Communications and Computers, 173–177.
DOI: 10.1109/JEC-ECC.2012.6186978 2. Shehab, M., Abualigah, L., Shambour, Q., Abu-Hashem, M. A., Shambour, M. K. Y., Alsalibi, A. I., & Gandomi, A. H. 2022. Machine learning in medical applications: A review of state-of-the-art methods. Computers in Biology and Medicine, 145, 105458.
DOI: 10.1016/j.compbiomed.2022.105458 3. Ahsan, M. M., Siddique, Z., 2022. Machine learning-based heart disease diagnosis: A systematic literature review. Artificial Intelligence in Medicine, 128, 102289.
DOI: 10.1016/j.artmed.2022.102289 4. Averbuch, T., Sullivan, K., Sauer, A., Mamas, M. A., Voors, A. A., Gale, C. P., Van Spall, H. G. 2022. Applications of artificial intelligence and machine learning in heart failure. European Heart Journal-Digital Health, 3(2), 311-322.
DOI: 10.1093/ehjdh/ztac025 5. Ramesh, T. R., Lilhore, U. K., Poongodi, M., Simaiya, S., Kaur, A., Hamdi, M. 2022. Predictive analysis of heart diseases with machine learning approaches. Malaysian Journal of Computer Science, 132-148.
DOI: 10.22452/mjcs.sp2022no1.10
|
|