Data Classification of Early-Stage Diabetes Risk Prediction Datasets and Analysis of Algorithm Performance Using Feature Extraction Methods and Machine Learning Techniques
DOI:
https://doi.org/10.18201/ijisae.2021473767Keywords:
Classification, CSA, FFNN, Diabets, OptimizationAbstract
Diyabet bugün dünyada en yaygın hastalıklardan biridir ve kalp hastalıkları, koroner hastalıklar, göz hastalıkları, böbrek hastalıkları ve hatta sinir hasarı gibi diğer birçok kritik veya ölümcül hastalığın gelişiminde de rol oynayan bir hastalıktır. Bu nedenle erken teşhis büyük önem taşımaktadır. Makine öğrenimi tekniklerinin ve yapay zekanın gelişmesiyle birlikte hastalık risklerinin tahmin edilmesi, araştırmacılar ve tıp doktorları tarafından geniş çapta kabul görmeye ve uygulanmaya başlamıştır. Bu çalışmada erken başlangıçlı diyabetin prognozu için bir makine öğrenmesi tekniği önerilmiştir. MATLAB grafik kullanıcı arayüzü (GUI) kullanılarak bir arayüz tasarlanmıştır. Sarıcı tabanlı Parçacık Sürü Optimizasyonu (PSO), Ağaç Tohumu Algoritması (TSA), Karga Arama Algoritması (CSA), Balçık Kalıp Algoritması (SMA), ve Yapay Arı Kolonisi (ABC) algoritmaları, gerekli girdi özniteliklerini azaltmak ve seçmek için kullanıldı. Bu algoritmalarla elde edilen sonuçlar, Karar Ağacı (DT), Rastgele Orman (RF), Destek Vektör Makinesi (SVM), K En Yakın Komşu (kNN) ve İleri Beslemeli Sinir Ağları (FFNN) gibi geleneksel makine öğrenme algoritmaları kullanılarak karşılaştırılmıştır. Sarmalayıcı tabanlı öznitelik seçme ve öznitelik indirgeme yöntemlerinde diyabet tanısında kullanılan 16 öznitelik PSO yöntemiyle 10 öznitelik, TSA yöntemiyle 9 öznitelik, CSA yöntemiyle 13 öznitelik, SMA yöntemiyle 6 öznitelik ve ABC yöntemiyle 8 öznitelik vardır. belirlendi. Her bir ilgili yöntemle belirlenen özellikler daha sonra makine öğrenme algoritmaları kullanılarak sınıflandırıldı. Sonuçlara dayalı olarak yöntemler, PSO + SVM = 97 başarı oranları ile en iyi sınıflandırma performanslarını göstermiştir.
Downloads
Downloads
Published
How to Cite
Issue
Section
License
All papers should be submitted electronically. All submitted manuscripts must be original work that is not under submission at another journal or under consideration for publication in another form, such as a monograph or chapter of a book. Authors of submitted papers are obligated not to submit their paper for publication elsewhere until an editorial decision is rendered on their submission. Further, authors of accepted papers are prohibited from publishing the results in other publications that appear before the paper is published in the Journal unless they receive approval for doing so from the Editor-In-Chief.
IJISAE open access articles are licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. This license lets the audience to give appropriate credit, provide a link to the license, and indicate if changes were made and if they remix, transform, or build upon the material, they must distribute contributions under the same license as the original.