Abstract:
Hastalıkların tez ve başarılı bir şekilde tedavi edilebilmesi için öncelikle
teşhislerin hızlı ve doğru olması gereklidir. Hastalıklar ve tıbbi teşhisler alanındaki
en son ilerleme de ise teşhisler için makine öğrenmesini kullanarak sınıflandırılması
üzerinedir.
Makine öğrenmesi ile teşhis tekniğinin kullanılabilmesi için öncelikle deney
sonuçlarıyla elde edilen veri setlerinin doğru bir şekilde sınıflandırılması
gerekmektedir. Bu tez çalışmasında, teşhislerin doğru bir şekilde sınıflandırılması
için iki algoritma birleştirilerek yeni bir algoritma (bileşik) türetilmiştir. Önerilen
bileşik algoritmanın hem Çok Katmanlı Algılayıcı Sinir Ağı (MLP NN) hem de
Şempanze Optimizasyon Algoritmasının (ChOA) sahip olduğu dezavantajları
ortadan kaldıracağı ve sonuçların sınıflandırılmasının daha doğru ve güvenilir hale
getirmesi beklenmektedir. Bu tez çalışmasında önerilen algoritma, her ne kadar kan
testi sonuçlarının sınıflandırılmasına yönelik kullanılsada kan testi veri setlerine
benzer diğer veri setlerinin sınıflandırılmasında da kullanılabilir. Tez çalışmasında
sınıflandırılma sonuçlarının ve diğer algoritmalarla karşılaştırılması amacıyla örnek
olarak Kabakulak hastalığına ait veri setine MLP NN – ChOA uygulanmıştır.
Kabakulak hastalığına ait veri setide kan testi sonucundan elde edilmektedir. Birleşik
model ile elde edilen doğruluk değeri, MLP NN, Lojistik Regresyon (LR), Destek
Vektör Makinesi (SVM), Rastgele Orman (RF) gibi diğer sınıflandırma amacıyla
kullanılan algoritmalarla da karşılaştırılmıştır.
Sonuçlar, hazırlanan kullanıcı arayüzünde de görüldüğü gibi her ne kadar
verisetine göre doğruluk oranı değişkenlik gösterebilse de MLP NN-ChOA
algoritmasının çoğu durumda diğer kıyaslama algoritmalarına kıyasla
karşılaştırılabilir bir iyi performans sağladığını göstermektedir