Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi

BULUT, Faruk

Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi

Faruk BULUT (İstanbul Rumeli Üniversitesi, Mühendislik - Mimarlık Fakültesi, Bilgisayar Mühendisliği Bölümü, Silivri, 34570, İstanbul)

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

1 0

Yıl: 2017 Cilt: 32 Sayı: 1 Sayfa Aralığı: 65 - 76 Metin Dili: Türkçe İndeks Tarihi: 29-07-2022

Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi

Öz:

Çocukluk yıllarındaki beslenme ve yaşam alışkanlıkları ileri yaşlarda ortaya çıkabilecek obezite hastalığının nedenini oluşturur. Bu çalışma çocuklarda obeziteye yakalanma riskini hesaplayan bir erken uyarı sisteminin geliştirilmesi üzerinedir. Makine öğrenmesi kolektif öğrenme algoritmaları kullanılarak yapay ve özgün bir klinik karar destek sistemi (KKDS) geliştirilmiştir. Obeziteye neden olan faktörler hazırlanan anket içerisine yerleştirmiştir. Devlet hastanelerinden ve okullarından alınan resmi izinlerle anketler çocuklara uygulanmış ve elde edilen verilerle güvenilir bir eğitim seti oluşturulmuştur. k En Yakın Komşuluk algoritmasının geliştirilmiş versiyonları Oylama, Bagging, Boosting ve Rastsal Altuzaylar yöntemlerinde tekil öğrenici olarak kullanılmıştır. Eğitim seti üzerinde yapılan öğrenme ve çapraz geçerleme işlemlerinde algoritmalara ait yüksek doğruluk oranları elde edilmiş ve en başarılı yöntemin 0,839'lık MCC (Matthews Correlation Coefficient) değeriyle Rastsal Altuzaylar olduğu görülmüştür. Çağın önemli bir sorununa karşı önerilen bu model sayesinde, ileri yaşlarda oluşabilecek obezite riski önceden tespit edilebilmektedir. Ayrıca ilgili kişiler tarafından gerekli önlemlerin zamanında alınabilmesi sağlanmaktadır.

Anahtar Kelime:

A new clinical decision support system with instance based ensemble classifiers

Öz:

The main reason of obesity occurring in the future years is strongly related with the lifestyle and eating habits in childhood. This study focuses on developing an urgent precaution system which calculates the obesity risks. An original clinical decision support system (CDSS) has been developed by using Ensemble Classification methods in Machine Learnings. A questionnaire has been prepared and applied to the patients in the hospitals and to the elementary school students with official permissions in order to construct an original and reliable dataset. Extended versions of k Nearest Neighbors methods are used in Voting, Bagging, Boosting and Random Subspaces algorithms as base learners. During the experimental studies in the applications of cross validation procedures, successful results have been computed and Random Subspaces has been chosen as the most successful algorithm with 0.839 MCC (Matthews Correlation Coefficient) scores. With the help of the suggested model to a worldly wide health problem, the future probability of obesity risk for a child might be easily determined. Additionally, it has been enabled that some precautions can be taken by responsible people if there is a computed high risk for this child.

Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

1. Ulutaş A.P., Atla P., Say Z.A., Sarı E., Okul Çağındaki 6-18 Yaş Arasi Obez Çocuklarda Obezite Oluşumunu Etkileyen Faktörlerin Araştırılması, Zeynep Kamil Tip Bülteni, 45 (4), 192-196, 2014.
2. Adnan M.H.M., Husain W., & Rashid N.A.A., A hybrid approach using Naïve Bayes and Genetic Algorithm for childhood obesity prediction, IEEE International Conference Computer & Information Science (ICCIS), 1, 281-285, Temmuz 2012.
3. Heydari S.T., Ayatollahi S.M.T., Zare N., Comparison of Artificial Neural Networks with Logistic Regression for Detection of Obesity, Journal of medical systems, 36 (4), 2449-2454, 2012.
4. Manna S., Jewkes A.M., Understanding early childhood obesity risks: An empirical study using fuzzy signatures, IEEE International Conference In Fuzzy Systems (FUZZ-IEEE), 1333-1339, 2014.
5. Kóczy L.T., Vámos T., Biró G, Fuzzy Signatures, 2nd International Conference on Soft and Intelligent Computing EUROPUSE-SIC, Budapeşte, 210-217, 1999.
6. Dugan T.M., Mukhopadhyay S., Carroll A., Downs S., Machine Learning Techniques for Prediction of Early Childhood Obesity, Applied clinical informatics, 6 (3), 506-520, 2015.
7. Uskun E., Öztürk M., Kişioğlu A.N., Kırbıyık S., Deömirel, R., İlköğretim Öğrencilerinde Obezite Gelişimini Etkileyen Risk Faktörleri, S.D.Ü. Tıp Fakültesi Dergisi, 12 (2), 19-25, 2005.
8. Bulut F. Study of Obesity: Identifying Risk Rate of Obesity with Instance Based Ensemble Classifiers. https://sites.google.com/site/bulutfaruk/study-ofobesity. Erişim tarihi Ocak 11, 2017.
9. Yılmaz A.A., Özaydın E., Demirel F., Kös, G. Obez Adölesanlarda Obezite Gelişimini Belirleyen Faktörlerin ve Metabolik Sendrom Varlığının Retrospektif Olarak Değerlendirilmesi, Türkiye Çocuk Hastalıkları Dergisi, 1-5, 2015.
10. Biudnik M., Pozniak I., Koszalka L., The Usage of the k-Nearest Neighbour Classifier with Classifier Ensemble, 12th International Conference on Computational Science and Its Applications (ICCSA), 170-173, Haziran 2012.
11. Chen P., Wang Y., Optimized KD Tree Application in Instance-Based Learning, Fifth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD'08), Shandong, 187-191, 2008.
12. Bulut F., Amasyalı M.F., Classification in mixture of experts using hard clustering and a new gate function, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (4), 1017-1025, 2016.
13. Bulut F., Amasyali M.F., Locally adaptive k parameter selection for nearest neighbor classifier: one nearest cluster, Pattern Analysis and Applications, Springer London, DOI 10.1007/s10044-015-0504-0, 1-11, 2015.
14. Zhou Z.H., Machine Learning Pattern Recognition Series, Ensemble Methods: Foundations and Algorithms, CRC Press, ISBN: 978-1439830031, 2012.
15. Zhou Z. H., Ensemble learning, Encyclopedia of Biometrics, Berlin Springer, 411-416, 2015.
16. Freund Y., A short introduction to boosting, JournalJapanese Society For Artificial Intelligence, 14 (1), 771- 780, 1999.
17. Mayr A., Binder H., Gefeller O., & Schmid M., The evolution of boosting algorithms, Methods of information in medicine, 53 (6), 419-427, 2014.
18. Breiman L., Bias, Variance, and Arcing Classifiers, Technical Report, Statistics Department, University Of California, Berkeley, 1996.
19. Tetik Y.E., Gürültülü Ortamlarda Konuşma Tespiti İçin Yenibir Öznitelik Çıkarım Yöntemi, Elektrik-Elektronik ve Bilgisayar Sempozyumu, Fırat Üniversitesi-Elazığ, 86-89, 2011.
20. Ho T.K., The Random Subspace Method for Constructing Decision, IEEE Transactions on Pattern Analysis and Machine Intelligence, Lucent Tech no l., AT&T Bell Labs., Murray Hill, 20 (8), 832-844, 1998.
21. Ho T.K., Lecture Notes in Computer Science, Nearest neighbors in random subspaces, Advances in Pattern Recognition, Springer Berlin Heidelberg, 640-648, 1998.
22. Alpaydın E., Yapay Öğrenme Kitabı, Boğaziçi Yayınları, Birinci Basım, ISBN: 9786054238491, 416- 417, Mart 2011.
23. Liu Y., Cheng J., Yan,C., Wu X., Chen F., Research on the Matthews Correlation Coefficients Metrics of Personalized Recommendation Algorithm Evaluation, International Journal of Hybrid Information Technology, 8 (1), 163-172, 2015.
24. Akben S.B., Alkan A., Density-based feature extraction to improve the classification performance in the datasets having low correlation between attributes, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (4), 597-603, 2015.
25. Blakemore A.I.F., Buxton J.L., Obesity, Genetic Risk, and Environment, BMJ-British Medical Journal, doi:10.1136/bmj.g1900, 348, 2014.
26. Puth M.T., Neuhäuser M., Ruxton G.D., Effective use of Pearson's product-moment correlation coefficient, Animal Behaviour, 93, 183-189, 2014.
27. Asuero A.G., Sayago A., Gonzalez A.G., The Correlation Coefficient: An Overview, Critical Reviews in Analytical Chemistry, 36 (1), 41-59, 2006.
28. Haltaş A., Alkan A., Karabulut M., Performance analysis of heuristic search algorithms in text classification, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (3), 417-427, 2015.

APA	BULUT F (2017). Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi. , 65 - 76.
Chicago	BULUT Faruk Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi. (2017): 65 - 76.
MLA	BULUT Faruk Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi. , 2017, ss.65 - 76.
AMA	BULUT F Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi. . 2017; 65 - 76.
Vancouver	BULUT F Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi. . 2017; 65 - 76.
IEEE	BULUT F "Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi." , ss.65 - 76, 2017.
ISNAD	BULUT, Faruk. "Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi". (2017), 65-76.

APA	BULUT F (2017). Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 32(1), 65 - 76.
Chicago	BULUT Faruk Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 32, no.1 (2017): 65 - 76.
MLA	BULUT Faruk Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.32, no.1, 2017, ss.65 - 76.
AMA	BULUT F Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2017; 32(1): 65 - 76.
Vancouver	BULUT F Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2017; 32(1): 65 - 76.
IEEE	BULUT F "Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 32, ss.65 - 76, 2017.
ISNAD	BULUT, Faruk. "Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 32/1 (2017), 65-76.