Elde edilen sonuçlara göre en yüksek başarım DVM algoritması sonucunda bulunmuştur.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Bu çalışmada kalp hastalığı verileri kullanılarak bazı sınıflandırıcıların avantajları, dezavantajları göz önünde bulundurularak performans karşılastırmaları yapılmıştır.
📊
Key Findings & Data:Araştırmada kullanılan algoritmalar şunlardır: Destek Vektör Makinesi (DVM), Naïve Bayes, J48, Random Forest, Adaboost, Logistic Regresyon, Tek Katmanlı Perceptron, Çok Katmanlı Perceptron, Bagging karar Ağaçları.
💡
Conclusion & Impact:Elde edilen sonuçlara göre en yüksek başarım DVM algoritması sonucunda bulunmuştur.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Kalp hastalığı · Makine öğrenimi · Algoritmaların karşılaştırmaları
Özet
Bu çalışmada kalp hastalığı verileri kullanılarak bazı sınıflandırıcıların avantajları, dezavantajları göz önünde bulundurularak performans karşılastırmaları yapılmıştır. Araştırmada kullanılan algoritmalar şunlardır: Destek Vektör Makinesi (DVM), Naïve Bayes, J48, Random Forest, Adaboost, Logistic Regresyon, Tek Katmanlı Perceptron, Çok Katmanlı Perceptron, Bagging karar Ağaçları. Burada sonuçların karşılaştırılması için veri setindeki kayıt sayısı, doğruluk ortalaması, doğru olarak sınıflandırılmış örnekler, yanlış olarak sınıflandırılmış örnekler, kappa istatistiği, ortalama mutlak hata, ortalama kare hata, kök ortalama kare hata, göreceli mutlak hata, kök nispi kare hata gibi ölçütleri kullanıldı. Elde edilen sonuçlara göre en yüksek başarım DVM algoritması sonucunda bulunmuştur.
ÖZMEN, Ö., KHDR, A., AVCI, E. (2018). Sınıflandırıcıların Kalp Hastalığı Verileri Üzerine Performans Karşılaştırması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 30 - Sayı: 3, 153–159. https://ajindex.com/articles/254084
Felman, A., Everything you need to know about heart disease. Medical News Today, 2018
Staff, M.C., Heart disease. Mayo Clinic
Shao, Y.E., C.-D. Hou, and C.-C. Chiu, Hybrid intelligent modeling schemes for heart disease classification. Applied Soft Computing, 2014. 14: p. 47-52
Priyanka, N. and P. RaviKumar. Usage of data mining techniques in predicting the heart diseases—Naïve Bayes & decision tree. in Circuit, Power and Computing Technologies (ICCPCT), 2017 International Conference on. 2017. IEEE
Yekkala, I., S. Dixit, and M. Jabbar. Prediction of heart disease using ensemble learning and Particle Swarm Optimization. in Smart Technologies For Smart Nation (SmartTechCon), 2017 International Conference On. 2017. IEEE
Amin, S.U., K. Agarwal, and R. Beg. Genetic neural network based data mining in prediction of heart disease using risk factors. in Information & Communication Technologies (ICT), 2013 IEEE Conference on. 2013. IEEE
Shah, C. and A.G. Jivani. Comparison of data mining classification algorithms for breast cancer prediction. in Computing, Communications and Networking Technologies (ICCCNT), 2013 Fourth International Conference on. 2013. IEEE
Fedorovici, L.-O. and F. Dragan. A comparison between a neural network and a SVM and Zernike moments based blob recognition modules. in Applied Computational Intelligence and Informatics (SACI), 2011 6th IEEE International Symposium on. 2011. IEEE
Yu, W.M., T. Du, and K.B. Lim. Comparison of the support vector machine and relevant vector machine in regression and classification problems. in Control, Automation, Robotics and Vision Conference, 2004. ICARCV 2004 8th. 2004. IEEE
McCallum, A. and K. Nigam. A comparison of event models for naive bayes text classification. in AAAI-98 workshop on learning for text categorization. 1998. Citeseer
Patil, T.R. and S. Sherekar, Performance analysis of Naive Bayes and J48 classification algorithm for data classification. International journal of computer science and applications, 2013. 6(2): p. 256-261
Revathi, S. and A. Malathi, Comparison between J48 And Random Forest Decision Tree Algorithms To Detect Probe Attack
Esmaily, H., et al., A Comparison between Decision Tree and Random Forest in Determining the Risk Factors Associated with Type 2 Diabetes. Journal of research in health sciences, 2018. 18(2)
Randhawa, K., et al., Credit card fraud detection using AdaBoost and majority voting. IEEE ACCESS, 2018. 6: p. 1