Göğüs Kanseri Verileri Üzerinde Makine Öğrenmesi Yöntemlerinin Uygulanması

Abstract

ÖzKanser dünya genelinde pek çok insanın ölümüne sebep olan en önemli hastalıklardan biridir. Özellikle göğüs kanseri kadınlar arasında en çok rastlanan hastalıkların başında yer almaktadır. Bu sebeple kanser hastalığının teşhisi ile alakalı herhangi bir gelişme insanların sağlıklı bir yaşam sürmesi açısından oldukça önemlidir. Günümüzde makine öğrenmesi yöntemlerinin kullanılması, kanser hastalığının erken teşhisi ve tahmini için yapılan çalışmalara büyük katkılar sağlamaktadır. Bu çalışmada da k-En Yakın Komşu, Destek Vektör Makinaları, Naive Bayes, Karar ağaçları ve Yapay Sinir Ağları gibi beş farklı makine öğrenmesi yöntemleri Kaggle platformunda yer alan iki farklı göğüs kanseri veri kümesi üzerinde uygulanmıştır. Elde edilen sonuçlar doğruluk değerleri ve karmaşıklık matrisi değerleri ile verilerek karşılaştırılmıştır. Birinci göğüs kanseri veri kümesi içinde %98,2456 doğruluk oranıyla ve ikinci göğüs kanseri veri kümesinde %93,8596 doğruluk oranıyla Yapay Sinir Ağları (YSA) yönteminde en yüksek doğruluk değerleri elde edilmiştir.

Öznitelik Seçimi ile Desteklenen Makine Öğrenmesine Dayalı Göğüs Kanserinin Erken Tespiti ve Teşhisi

“…Göğüs kanserinin teşhis sürecinde mamografi, ultrason, manyetik rezonans görüntüleme, ince iğne aspirasyonu (fine needle aspirate) ve cerrahi biyopsi gibi yöntemlerden faydalanılır [3]. Doğru bir teşhis için bu yöntemlerin duyarlılık sonuçları şu şekilde değişmektedir: mamografi %68-%79, ince iğne aspirasyonu %65 -%98 ve cerrahi biyopsi yaklaşık %100 [4].…”

Self Adaptive Methods for Learning Rate Parameter of Q-Learning Algorithm

“…Machine learning methods can produce the most appropriate results in the face of new situations by analysing the sensors on the system or the data sources given to it before (Grefenstette n.d.). Especially in recent years, the development of computer, software and information systems along with technology has enabled artificial intelligence and machine learning to be widely used in fields such as economy (Jogunola et al 2020;Meng and Journal of Intelligent Systems: Theory and Applications 6(2) (2023) 191-198 192 Khushi 2019; Sarızeybek and Sevli 2022), medicine (Bayraj et al 2022;Cimen et al 2021;Pala et al 2019Pala et al , 2021Pala et al , 2022, biology, chemistry, informatics (Ekinci 2022;Omurca et al 2022;Toğaçar, Eşidir, and Ergen 2021) and engineering (Akyurek and Bucak 2012;Bucak and Zohdy 1999;Chen et al 2022;Çimen et al 2019;Singh, Kumar, and Singh 2022). Machine learning methods can generally be grouped as Supervised Learning, Unsupervised Learning and reinforcement learning.…”