Kalp hastalık risk tahmini için Python aracılığıyla sınıflandırıcı algoritmalarının performans değerlendirmesi

Gündoğdu, Serdar

doi:10.21205/deufmd.2021236926

Cited by 2 publications

(2 citation statements)

References 27 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Bu işlem sonucunda, BO tekniğinin RS tekniğine göre daha iyi sonuçlar verdiği görülmüştür. %87 ---Gündoğdu [35] %89.7…”

Section: Bayes Optimizasyonu (Bayesian Optimization)unclassified

Hiperparametre ayarlama ve veri dengelemenin kalp hastalığı tahmini için kullanılan makine öğrenimi algoritmaları üzerindeki etkilerinin incelenmesi

SUNGUR,

BAKIR

2024

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

Kalp hastalığı belirtilerinin ihmal edilmesi ciddi rahatsızlıklarla hatta ölümle sonuçlanabilir. Makine öğrenme teknikleri ile ön tanı için bu belirtiler kullanılarak kişide kalp hastalığı olup olmadığına dair tahmin yapılabilmektedir. Bu çalışmada Logistic Regression, Decision Trees, Random Forest, K Nearest Neighbors, Naive Bayes, Gradient Boosting, XGBoost ve Bagging algoritmaları ile kalp hastalığı tahmini yapılmıştır. SMOTE, SMOTETomek, Oversample Minority Class, Undersample Majority Class veri dengeleme yöntemleri ile dört ayrı veri seti oluşturulmuştur. Seçilen tüm makine öğrenme algoritmalarına Random Search ve Bayesian Optimizasyon teknikleriyle hiper parametre optimizasyonu yapılarak sonuçlar karşılaştırılmıştır. Veri dengeleme ve hiper parametre optimizasyonunun kalp hastalığının tahmininde kullanılan makine öğrenme teknikleri performansına etkisi karşılaştırılarak literatüre özgün bir çalışma kazandırılmıştır. Çalışmada Amerika Birleşik Devletleri’nde 319.795 kişi ile yapılan 20 öz nitelikli bir anket olan veri seti kullanılmıştır. Random Forest algoritması SMOTETomek veri dengeleme tekniği kullanılarak ve Bayesian hiper parametre optimizasyonu yapılarak oluşturulan modelde %94 tahmin başarısı elde edilmiştir. Ayrıca, Random Forest algoritması ile Oversample Minority Class veri dengeleme tekniği kullanılarak ve Bayesian hiper parametre optimizasyonu yapılarak %97 sınıflandırma doğruluğu elde edilmiştir.

show abstract

“…Bu işlem sonucunda, BO tekniğinin RS tekniğine göre daha iyi sonuçlar verdiği görülmüştür. %87 ---Gündoğdu [35] %89.7…”

Section: Bayes Optimizasyonu (Bayesian Optimization)unclassified

Hiperparametre ayarlama ve veri dengelemenin kalp hastalığı tahmini için kullanılan makine öğrenimi algoritmaları üzerindeki etkilerinin incelenmesi

SUNGUR,

BAKIR

2024

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

show abstract

“…In the study conducted by Gündoğdu for early detection of heart disease, 303 cases were examined and 7 different machine learning algorithms including Linear Discriminant Analysis, Decision Trees, K-Nearest Neighbor, Support Vector Machines, Naive Bayes, Random Forest and Gradient Boosting were compared. The best accuracy rate of 90.02% was obtained with the Random Forest machine learning algorithm [15]. Yilmaz and Yağin in 2021, in the study they aimed to compare the prediction results of Radial Basis Neural Network (RBF) and Multilayer Neural Networks (MLP), they reached an accuracy of 91.1% with MLP and 79.7% with RBF [16].…”

Section: Related Studies In the Literaturementioning

confidence: 99%

Early-stage heart failure disease prediction with deep learning approach

DEMİR,

BOZKURT,

AYIK

2023

JSR-A

View full text Add to dashboard Cite

Cardiovascular diseases rank the highest among diseases in terms of mortality rate and cause millions of deaths every year. Heart failure is a type of cardiovascular disease and its early diagnosis is extremely important for its prevention. It may be vitally important to understand to what extent which body values, characteristics and factors (age, gender, blood pressure, sugar, etc.) affect this disease and to predict whether the individual will have a possible heart attack in the future. In this study, firstly, the correlation level of the relevant body values with the disease is extracted and in the second stage, a method that predicts heart attack with DNN (Deep Neural Network) and CNN (Convolutional Neural Network) deep learning models is proposed. In the study, 918 observations obtained from the kaggle site were used. Firstly, missing data, categorical data, non-numerical features were checked. Then, outliers were cleaned and the relationship of the features in the dataset with the disease state was revealed by feature engineering operations on the data. Finally, deep neural network models were built and the model was trained and hyperparameter adjustment was performed with GridSearhCV to achieve the highest success rate. As a result of the study, Accuracy, Precision, Recall and F1-Score values were found as 0.9375, 0.9629, 0.9176, 0.9397 for DNN and 0.9312, 0.9512, 0.9176, 0.9340 for CNN respectively. The AUC value calculated from the ROC curve was found to be equal to 0.96 in both deep learning models.

show abstract

Kalp hastalık risk tahmini için Python aracılığıyla sınıflandırıcı algoritmalarının performans değerlendirmesi

Cited by 2 publications

References 27 publications

Hiperparametre ayarlama ve veri dengelemenin kalp hastalığı tahmini için kullanılan makine öğrenimi algoritmaları üzerindeki etkilerinin incelenmesi

Hiperparametre ayarlama ve veri dengelemenin kalp hastalığı tahmini için kullanılan makine öğrenimi algoritmaları üzerindeki etkilerinin incelenmesi

Early-stage heart failure disease prediction with deep learning approach

Contact Info

Product

Resources

About