Makine öğrenmesi sınıflandırma yöntemlerinden Naive Bayes, Bayes NET, kNN, Random Forest ve LSVM kullanıldı.
📌 3 Maddede Bu Makale
🎯
Amaç & Hipotez:Günümüzde mikrodizi analizlerinden kanser teşhisi önemli bir araştırmadır.
📊
Temel Bulgular & Veri:Bireysel genlerden elde edilen mikro dizi verisinde kanser teşhisi için makine öğrenmesi yöntemlerini kullanmanın, zaman ve doğruluk açısından avantajları vardır.Akciğer ve beyin kanseri veri setleri üzerinde makine öğrenmesi sınıflandırma yöntemleri kullanılarak performans analizi yapıldı.
💡
Sonuç & Katkı:Makine öğrenmesi sınıflandırma yöntemlerinden Naive Bayes, Bayes NET, kNN, Random Forest ve LSVM kullanıldı.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Genetik Algoritma · Naive Bayes · Bayes NET
Özet
Günümüzde mikrodizi analizlerinden kanser teşhisi önemli bir araştırmadır. Bireysel genlerden elde edilen mikro dizi verisinde kanser teşhisi için makine öğrenmesi yöntemlerini kullanmanın, zaman ve doğruluk açısından avantajları vardır.Akciğer ve beyin kanseri veri setleri üzerinde makine öğrenmesi sınıflandırma yöntemleri kullanılarak performans analizi yapıldı. Aynı veriler genetik algoritma ile öznitelik seçimine tabii tutuldu ve öznitelik seçimi yapılmış verilerin performans analizleri tekrar inlecelenip sonuçlar tablolar ile desteklenerek yorumlandı. Makine öğrenmesi sınıflandırma yöntemlerinden Naive Bayes, Bayes NET, kNN, Random Forest ve LSVM kullanıldı.
Candan, H., Durmuş, A., Harman, G. (2019). Genetik Algoritma Ve Sınıflandırıcı Yöntemler İle Kanser Tahmini. Veri Bilimi, Cilt: 2 Sayı: 1, 30–34. https://ajindex.com/articles/1575962
Bhattacharjee, A., Richards, W. G., Staunton, J., Li, C., Monti, S., Vasa, P.,. & Loda, M. (2001). Classification of human lung carcinomas by mRNA expression profiling reveals distinct adenocarcinoma subclasses. Proceedings of the National Academy of Sciences, 98(24), 13790-13795.[2] Huang, C. L., & Wang, C. J. (2006). A GA-based feature selection and parameters optimizationfor support vector machines. Expert Systems with applications, 31(2), 231-240.[3] Zhang, M. L., & Zhou, Z. H. (2007). ML-KNN: A lazy learning approach to multi-label learning. Pattern recognition, 40(7), 2038-2048.[4] Oshiro, T. M., Perez, P. S., & Baranauskas, J. A. (2012, July). How many trees in a random forest?. In International Workshop on Machine Learning and Data Mining in Pattern Recognition(pp. 154-168).
Springer, Berlin, Heidelberg.[5] Valdes, A. D. J., Fong, M. W., & Porras, P. A. (2008). U.S. Patent No. 7,379,993. Washington, DC: U.S. Patent and Trademark Office.[6] Leung, K. M. (2007). Naive bayesian classifier. Polytechnic University Department of Computer Science/Finance and Risk Engineering.
[1]Bhattacharjee, A., Richards, W. G., Staunton, J., Li, C., Monti, S., Vasa, P.,. & Loda, M. (2001). Classification of human lung carcinomas by mRNA expression profiling reveals distinct adenocarcinoma subclasses. Proceedings of the National Academy of Sciences, 98(24), 13790-13795.[2] Huang, C. L., & Wang, C. J. (2006). A GA-based feature selection and parameters optimizationfor support vector machines. Expert Systems with applications, 31(2), 231-240.[3] Zhang, M. L., & Zhou, Z. H. (2007). ML-KNN: A lazy learning approach to multi-label learning. Pattern recognition, 40(7), 2038-2048.[4] Oshiro, T. M., Perez, P. S., & Baranauskas, J. A. (2012, July). How many trees in a random forest?. In International Workshop on Machine Learning and Data Mining in Pattern Recognition(pp. 154-168).
Springer, Berlin, Heidelberg.[5] Valdes, A. D. J., Fong, M. W., & Porras, P. A. (2008). U.S. Patent No. 7,379,993. Washington, DC: U.S. Patent and Trademark Office.[6] Leung, K. M. (2007). Naive bayesian classifier. Polytechnic University Department of Computer Science/Finance and Risk Engineering.