Performance Analysis of Machine Learning Algorithms in Detection of COVID-19 from Common Symptoms

Arslan, Hilal; Aygun, Betul

doi:10.1109/siu53274.2021.9477809

Cited by 5 publications

(1 citation statement)

References 13 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Various types of ML and DL algorithms recently published to detect COVID-19 that can be found in [2,3,6,[9][10][11][12][13][14][15][16].…”

Section: Related Workmentioning

confidence: 99%

COVID-19 Hastalarının Mortalitesini Tahmin Etmek için Torbalama ve Arttırma Yöntemleri

Arslan

2022

DÜMF MD

View full text Add to dashboard Cite

COVID-19 pandemic has been going on for more than two years and an increasing number of deaths has been occurring. Ensemble learning techniques are effectively employed to predict the outcome of the patients with COVID-19. The mortality prediction of the COVID-19 patient is crucial to reduce the risk of imminent death as well as to apply effective clinical treatment strategy. In this study, we perform bagging and boosting methods to predict mortality of the patients with COVID-19. The six different decision tree methods, C4.5, Random tree, REPTree, Logistic Model Tree, Decision Stump, and Hoeffding Tree are employed for base learners in bagging and boosting. The results are obtained using a real-world dataset including information obtained from 1085 patients. Experimental results present that bagging using REPTree as a base learner achieves an accuracy of 97.24%. Furthermore, when we compare our results with other classification algorithms, the proposed method has a higher performance with respect to the accuracy, and presents an admirable performance.

show abstract

“…Various types of ML and DL algorithms recently published to detect COVID-19 that can be found in [2,3,6,[9][10][11][12][13][14][15][16].…”

Section: Related Workmentioning

confidence: 99%

COVID-19 Hastalarının Mortalitesini Tahmin Etmek için Torbalama ve Arttırma Yöntemleri

Arslan

2022

DÜMF MD

View full text Add to dashboard Cite

show abstract

Machine Learning Model to Study the Genetic Susceptibility of Patients with Sever Coronavirus Symptoms

Pandey

Mishra

2023

2023 IEEE International Conference on Integrated Circuits and Communication Systems (ICICACS)

View full text Add to dashboard Cite

Tüketi̇ci̇leri̇n Çevri̇m İçi̇ Yemek Si̇pari̇şi̇ Memnuni̇yeti̇ni̇n Veri̇ Madenci̇li̇ği̇ Algori̇tmalariyla Siniflandirilmasi Ve Performanslarinin Karşilaştirilmasi

Can

2024

International Review of Economics and Management

View full text Add to dashboard Cite

Veri madenciliği tekniklerinden olan sınıflandırma algoritmaları sağlık, finans, telekomünikasyon, sigorta, pazarlama ve eğitim gibi pek çok alanda kullanılmaktadır. Bu çalışma ile sınıflandırma algoritmalarından naive bayes ile yapay sinir ağı algoritmalarından multilayer perceptron algoritmaları kullanılarak sınıflandırma yapılmıştır. Yapılan literatür incelemesinde genellikle sınıflandırma algoritmalarının kendi içlerinde performans kıyaslaması yapıldığı görülmüştür. Sınıflandırma için online yemek siparişi veri seti kullanılmıştır. Veri seti 9 demografik nitelik içeren 388 adet veriden oluşmaktadır. Naive bayes ile yapılan demografik sınıflandırma sonuçlarına göre online yemek siparişi olumlu geribildirim tahmin oranlarının kadın, bekar, öğrenci, herhangi bir düzenli geliri olmayan ve siparişi zamanında teslim edilen özelliğe sahip bireylerde daha yüksek olduğu görülmüştür. Algoritma sınıflandırma performansları incelendiğinde Naive Bayes algoritması 388 verinin 323’ünü (%83,24) doğru sınıflandırırken, Multilayer Perceptron algoritması ise 388 verinin 329’unu (%84,79) doğru sınıflandırdığı görülmüştür. Algoritmaların hata oranlarında da multilayer perceptron algoritmasının daha düşük hata oranlarına sahip olduğu görülmüştür. Elde edilen bulgular sınıflandırma uygulamalarında yapay sinir ağı temelli algoritmaların da başarılı sonuçlar verdiği yönündedir.

show abstract

Performance Analysis of Machine Learning Algorithms in Detection of COVID-19 from Common Symptoms

Cited by 5 publications

References 13 publications

COVID-19 Hastalarının Mortalitesini Tahmin Etmek için Torbalama ve Arttırma Yöntemleri

COVID-19 Hastalarının Mortalitesini Tahmin Etmek için Torbalama ve Arttırma Yöntemleri

Machine Learning Model to Study the Genetic Susceptibility of Patients with Sever Coronavirus Symptoms

Tüketi̇ci̇leri̇n Çevri̇m İçi̇ Yemek Si̇pari̇şi̇ Memnuni̇yeti̇ni̇n Veri̇ Madenci̇li̇ği̇ Algori̇tmalariyla Siniflandirilmasi Ve Performanslarinin Karşilaştirilmasi

Contact Info

Product

Resources

About