SavedAdd your journal

Journals / Şırnak Üniversitesi Fen Bilimleri Dergisi / 2023 / Cilt: 3 Sayı: 2

Naive Bayes İle Otistik Spektrum Bozukluğu Tanısı Koyma

Mustafa SU
Hidayet TAKCI
Pages
50–62
Publication Date
2023-05-24
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu çalışma, veri ön işleme teknikleri ve parametre optimizasyon işlemleri sonrası başarı oranlarının arttığını göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Otizm kişinin çevresiyle uygun ilişkiler kuramadığı gelişimsel bir bozukluktur.
📊
Key Findings & Data:Veriler üzerinde; aykırılıkların ayıklanması, eksik verilerin doldurulması, öznitelik ağırlığına göre öznitelik seçimi yapılması ve parametre optimizasyonu sonrası eğitilen modellerin başarı oranları ile ham veri üzerinden parametre optimizasyonu yapılmadan elde edilen modellerin başarı oranları karşılaştırılmıştır.
💡
Conclusion & Impact:Bu çalışma, veri ön işleme teknikleri ve parametre optimizasyon işlemleri sonrası başarı oranlarının arttığını göstermektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Otizm · Naive Bayes · Veri Ön İşleme

Özet

Otizm kişinin çevresiyle uygun ilişkiler kuramadığı gelişimsel bir bozukluktur. Otizmin erken teşhisi kişinin erken yaşta eğitilip çevresiyle olan ilişkisinin düzenlenmesinde hayati önem taşımaktadır. Bu çalışmada, otizm teşhisinin geç konulması sebebiyle otizm teşhisi konulan kişilerin yaşadığı sorunların çözümüne katkı sağlayabilmek için Naive Bayes Makine Öğrenmesi algoritmasıyla hastalığa erken tanı konulması amaçlanmıştır. Çalışma analizinin gerçekleştirilebilmesi için veri setinde otizmli insanların bebeklik, ergenlik ve yetişkinlik dönemleri ele alınmıştır. Veriler üzerinde; aykırılıkların ayıklanması, eksik verilerin doldurulması, öznitelik ağırlığına göre öznitelik seçimi yapılması ve parametre optimizasyonu sonrası eğitilen modellerin başarı oranları ile ham veri üzerinden parametre optimizasyonu yapılmadan elde edilen modellerin başarı oranları karşılaştırılmıştır. Yapılan çalışmalar neticesinde parametre optimizasyonu yapılmamış veri setine oranla; yetişkin veri setinde modelin başarısı % 2.27, ergen veri setinde %7.01 ve çocuk veri setinde %3.78 performans artışı gözlemlenmiştir. Bu çalışma, veri ön işleme teknikleri ve parametre optimizasyon işlemleri sonrası başarı oranlarının arttığını göstermektedir.

🔖

Cite This Article

SU, M., TAKCI, H. (2023). Naive Bayes İle Otistik Spektrum Bozukluğu Tanısı Koyma. Şırnak Üniversitesi Fen Bilimleri Dergisi, Cilt: 3 Sayı: 2, 50–62. https://ajindex.com/articles/938759

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Abdullah, A. A., Rijal, S., Dash, S. R. (2019). Evaluation on Machine Learning Algorithms for Classification of Autism Spectrum Disorder (ASD). In Journal of Physics: Conference Series 1372 1 012052.
  2. Alwidian, J., Elhassan, A., Ghnemat, R. (2020). Predicting autism spectrum disorder using machine learning technique. International Journal of Recent Technology and Engineering, 8(5), 4139-4143.
  3. Atan, S. (2020).
  4. KNN, Naive Bayes ve Karar Ağacı Makine Öğrenme Algoritmaları, Bu Algoritmaların Sosyal Bilimlerde Kullanım İmkânları. SocArXiv. doi:10.31235/osf.io/8r5pu Büyükoflaz, F. N. ve Öztürk, A. (2018). "Early autism diagnosis of children with machine learning algorithms,". Signal Processing and Communications Applications Conference (SIU), pp. 1-4, doi: 10.1109/SIU.2018.8404223. Cho S, Liberman M, Ryant N, Cola M, Schultz RT, Parish-Morris J. (2019). Automatic Detection of Autism Spectrum Disorder in Children Using Acoustic and Text Features from Brief Natural Conversations. Proceedings of the Annual Conference of INTERSPEECH; (pp. 2513-2517),
  5. Graz, Austria. Demirhan, A. (2018). Performance of machine learning methods in determining the autism spectrum disorder cases. Mugla Journal of Science and Technology, 4(1), 79-84.
  6. Devika Varshini, G., Chinnaiyan, R. (2020). Optimized Machine Learning Classification Approaches for Prediction of Autism Spectrum Disorder. Ann Autism Dev Disord, 1(1), 1001. Fadi Fayez Thabtah (2017), “Autistic Spectrum Disorder Screening Data for Adolescent”, https://archive.ics.uci.edu/ml/machine-learning-databases/00420/. (Erişim Tarihi: 21.11.2022).
  7. Fadi Fayez Thabtah (2017), “Autistic Spectrum Disorder Screening Data for Adult”, https://archive.ics.uci.edu/ml/machine-learning-databases/00426/. (Erişim Tarihi: 21.11.2022).
  8. Fadi Fayez Thabtah (2017), “Autistic Spectrum Disorder Screening Data for children”, https://archive.ics.uci.edu/ml/machine-learning-databases/00419/,2017. (Erişim Tarihi: 21.11.2022).
  9. Fawcett, T. (2006). An introduction to ROC analysis. Pattern recognition letters, 27(8), 861-874.
  10. Jiang, L., Zhang, L., Li, C., Wu, J. (2018). A correlation-based feature weighting filter for naive Bayes. IEEE transactions on knowledge and data engineering, 31(2), 201-213.
  11. Kotsiantis, S. B., Kanellopoulos, D., Pintelas, P. E. (2006). Data preprocessing for supervised leaning. International journal of computer science, 1(2), 111-117.
  12. Manek, A. S., Shenoy, P. D., Mohan, M. C. (2017). Aspect term extraction for sentiment analysis in large