Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, Mühendislik-Mimarlık Fakültesi, Bilgisayar Mühendisliği Bölümü, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: Nagihan Yağmur
Danışman: İdiris Dağ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Anemi, hemoglobin (Hgb) seviyesinin belirli bir referans aralığının altına düştüğü durumlarda ortaya çıkar. Teşhis ve tedavi süreçleri, birçok kan testi, radyolojik görüntüleme ve çeşitli testleri gerektirir. Makine öğrenimi yöntemleri kullanılarak hastaların tıbbi verileri işlenebilir, böylece yeni hastalar için hastalık tahminleri yapılabilir ve bu tahminler doğrultusunda doktorlara karar destek mekanizmaları sağlanabilir. Bu yöntemler, doktorların teşhislerinde hata payını azaltmada kritik öneme sahiptir ve sağlık kurumlarında veri kayıtlarının değerlendirilmesi hem hastalar hem de hastaneler için büyük önem taşır. Bu tez çalışması, hem iki sınıflı (anemi var/yok) hem de çok sınıflı (anemi yok, Hgbanemi, demir eksikliği anemisi (DEA), B12 eksikliği anemisi (B12E), folat eksikliği anemisi (FEA)) anemi veri setleri üzerinde çeşitli modellerin performansını değerlendirmeyi amaçlamaktadır. Bu amaçla SMOTE (Sentetik Azınlık Aşırı Örnekleme Tekniği) yöntemiyle veri setlerindeki veri dengesizliği giderilmiş, daha sonra literatürde sıklıkla kullanılan klasik makine öğrenmesi yöntemleriyle testler yapılmış, veri setlerindeki parametreler arasındaki ilişkiyi daha iyi modellemek ve parametrelerin birbiriyle etkileşimini vurgulamak için veri setleri doğrusal, karesel ve üstel formda modellenerek Harris Şahin Algoritması (HŞA), Karga Arama Algoritması (KAA), Tavuk Sürüsü Optimizasyon Algoritması (TSO), JAYA Algoritması (JAYA), Balina Optimizasyon Algoritması (BOA) ve Kelebek Optimizasyon Algoritması (KOA) metasezgisel yöntemleri ile parametre optimizasyonu yapılmıştır. Çok sınıflı veri setinde genel doğruluk başarısının yanında sınıf bazlı doğruluk başarısının da arttırılması gerektiği vurgulanarak bulanık mantık yaklaşımdan esinlenen parametrelerin önemini daha iyi vurgulayan klasik makine öğrenmesi yöntemi olan TreeBagger (TB) ile önerilen metasezgisel yöntemlerin birleştirilmesiyle oluşan hibrit modeller önerilmiştir.