Özet:
Bu çalışmada, otizm konusunda net bir teşhisin hemen konulamaması, Türkiye’de ve dünyada otizm teşhisi konan çocuk sayısının hızla artması ancak farkındalığın çok az olması problemlerinin çözümüne fayda sağlayabilmek amacıyla makine öğrenmesi ve veri madenciliği tekniklerinden yararlanılmıştır. Otizm için kesin tanı koyan bir test henüz geliştirilmediği için tanı koymada en etkili sonuç elde etmeyi sağlayan QCHAT adı verilen testin sonuçlarına göre veriler analiz edilip, sonuçların görsel açıdan kolay anlaşılabilmesi için veri görselleştirme de yapılarak veri madenciliği algoritmalarının hangisinin daha yüksek doğruluk değeri verdiği karşılaştırılmıştır. Ayrıca bu çalışmada kullanılan Lojistik Regresyon, Karar Ağaçları, Naif Bayes, Destek Vektör Makinesi ve Rastgele Orman algoritmaları RapidMiner programında analiz edilip çıkan sonuçlar karşılaştırılmıştır. Hangi algoritmanın en yüksek doğruluğu verdiğini ölçmek adına Doğruluk (Accuracy Analizi), sınıflandırma hatasının hangi algoritmada en fazla olduğunu bulmak adına Sınıflandırma Hatası (Classification Error) Analizi, hassasiyetin hangi algoritmada en fazla olduğunu bulmak adına Hassasiyet (Precision) Analizi yapılmıştır. Aynı zamanda Geri Çağırma, Testin Doğruluğu, Gerçek Pozitifler Oranı ve Belirlilik Analizleri de yapılıp, sonuçlar algoritma bazında karşılaştırılmıştır. Kaggle sitesinden alınan otizm veri seti ile Jupyter Notebook’ta yapılan analize göre en yüksek doğruluğu Lojistik Regresyon algoritması vermiştir.
