KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Fen Fakültesi Dergisi / 2026 / Cilt: 7 Sayı: 1

Makine Öğrenmesi Teknikleri ile Rozase Hastalığının Tanı ve Sınıflandırmasının İyileştirilmesi Üzerine Kesitsel Bir Çalışma

Burcu Durmuş(TEKİRDAĞ NAMIK KEMAL ÜNİVERSİTESİ)0000-0002-0298-0802
Sayfa
14–30
Yayın Tarihi
2026-05-26
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

RStudio aracında uygulanan deneysel sonuçlar, radyal tabanlı destek vektör makinelerinin diğer yöntemlerden daha doğru sonuçlar ürettiğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde makine öğrenmesi ile veri analizi hastalık tanı ve teşhisinde güncel bir trend haline gelmiştir.
📊
Temel Bulgular & Veri:Bu anlamda sağlık sektörü modern veri depolama sistemleri yardımıyla etkili tanı ve karar verme için büyük miktarlardaki henüz işlenmemiş verileri kolaylıkla toplayabilmektedir.
💡
Sonuç & Katkı:RStudio aracında uygulanan deneysel sonuçlar, radyal tabanlı destek vektör makinelerinin diğer yöntemlerden daha doğru sonuçlar ürettiğini göstermektedir.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Makine öğrenmesi · Sınıflandırma · Rozase

Özet

Günümüzde makine öğrenmesi ile veri analizi hastalık tanı ve teşhisinde güncel bir trend haline gelmiştir. Bu anlamda sağlık sektörü modern veri depolama sistemleri yardımıyla etkili tanı ve karar verme için büyük miktarlardaki henüz işlenmemiş verileri kolaylıkla toplayabilmektedir. En bilinen tanımıyla makine öğrenmesi, büyük veri kümelerinden gizli bilgileri çıkarma ve işleme sürecidir. Kümeleme, sınıflandırma, ilişki analizi, regresyon vb. gibi birçok makine öğrenmesi yaklaşımı mevcuttur. Bu çalışmanın amacı, farklı sınıflandırma tekniklerini kullanarak rozase hastalığını (gül hastalığı) tahmin etmektir. RStudio aracında uygulanan deneysel sonuçlar, radyal tabanlı destek vektör makinelerinin diğer yöntemlerden daha doğru sonuçlar ürettiğini göstermektedir.

🔖

Bu Makaleye Atıf Yap

Durmuş, B. (2026). Makine Öğrenmesi Teknikleri ile Rozase Hastalığının Tanı ve Sınıflandırmasının İyileştirilmesi Üzerine Kesitsel Bir Çalışma. Gazi Üniversitesi Fen Fakültesi Dergisi, Cilt: 7 Sayı: 1, 14–30. https://doi.org/10.63716/guffd.1770600

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (31)

  1. Wilkin, J., Dahl, M., Detmar, M., Drake, L., Feinstein, A., Odom, R., & Powell, F. (2002). Standard classification of rosacea: report of the National Rosacea Society Expert Committee on the Classification and Staging of Rosacea. Journal of the American Academy of Dermatology, 46(4), 584-587.
  2. Ünal, E.S., Akçınar, Ü.G., Al, F.D., & Parlak, N. (2021). Rozase ile demodeks spp., sigara ve alkol arasındaki ilişki: Vaka-kontrol çalışması. Sağlık Akademisyenleri Dergisi, 8(4), 323-329.
  3. Bakar, Ö., & Demirçay, Z. (2007). Rozase etyopatogenezi ve yeni sınıflaması, Türkderm, 41, 77-80.
  4. Woo, Y.R., Lim, J.H., Cho, D.H., & Park, H.J. (2016). Rosacea: molecular mechanisms and management of a chronic cutaneous inflammatory condition. International Journal of Molecular Sciences, 17(9), 1562.
  5. Katz, A. (1998). Rosacea: epidemiology and pathogenesis. Journal of Cutaneous Medicine and Surgery, 2, 4-10.
  6. Gerber, P.A., Buhren, B.A., Steinhoff, M., & Homey, B. (2011). Rosacea: the cytokine and chemokine network. In Journal of Investigative Dermatology Symposium Proceedings, 15(1), 40-47, Elsevier.
  7. Ekiz, O., & Balta, I. (2014). Acne vulgaris and acne rosacea: an update in etiopathogenesis. Journal of Clinical and Analytical Medicine, 5, 226-230.
  8. Karadeniz, T.B., Karadeniz, M., Şahin, T., & Ekşioğlu, H. M. (2019). Rozase hastalarında kardiyovasküler hastalık risk faktörlerinin araştırılması. The Journal of Kırıkkale University Faculty of Medicine, 21(2), 226-232.
  9. Türkmen, D., & Türkoğlu, G. (2019). Rozase hastalarında demodex enfestasyonu. Turkish Journal of Parasitology, 43(4), 194-197.
  10. Bilgin, G., & Çifci, A. (2021). Eritematöz skuamöz hastalıkların teşhisinde makine öğrenme algoritmalarının etkisi. Journal of Intelligent Systems: Theory and Applications, 4(2), 195-202.
  11. Ciran, A., & Özbay, E. (2022). Optimum parametreler kullanılarak gelişmiş performansa sahip SVMs algoritması tabanlı eritematöz-skuamöz hastalıklarının tahmini. 1st International Conference on Innovative Academic Studies, Konya.
  12. Fidan, U., Uzunhisarcıklı, E., & Çalıkuşu, İ. (2019). Classification of dermatological data with self organizing maps and support vector machine. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 19(3), 894-901.
  13. Kılıc, S., Mermutlu, S.I., Şehitoğlu, H., & Ekinci, A. (2021). Elevated serum endocan levels in patients with rosacea: A new therapeutic target?. Indian Journal of Dermatology, 66(5), 520-524.
  14. Karaosmanoglu, N., Karaaslan, E., & Ozdemir Cetinkaya, P. (2020). Evaluation of serum uric acid levels in patients with rosacea. Archives of Dermatological Research, 312(6), 447-451.
  15. Del Rosso, J.Q., Gallo, R.L., Kircik, L., Thiboutot, D., Baldwin, H.E., & Cohen, D. (2012). Why is rosacea considered to be an inflammatory disorder? The primary role, clinical relevance, and therapeutic correlations of abnormal innate immune response in rosacea-prone skin. Journal of Drugs in Dermatology, 11(6), 694-700.
  16. Wollina, U. (2019). Is rosacea a systemic disease?. Clinics in Dermatology, 37(6), 629-635.
  17. Bi̇lgi̇ç Temel, A., & Di̇cle, Ö. (2018). Rozase ve diyet. Türkiye Klinikleri Kozmetik Dermatoloji Özel Dergisi, 11(1), 35-38.
  18. Belli, A.A., Gok, S.O., Akbaba, G., Etgu, F., & Dogan G. (2016). The relationship between rosacea and insulin resistance and metabolic syndrome. European Journal of Dermatology, 26(3), 260-264.
  19. Bal, C. (2003). Çok gruplu veri setlerinde eksik gözlem sorununun çözümlenmesi ve sağlık alanında bir uygulama. Yayımlanmamış Doktora Tezi, Osmangazi Üniversitesi, Sağlık Bilimleri Enstitüsü, Eskişehir.
  20. Çokluk, Ö., & Kayri, M. (2011). Kayıp değerlere yaklaşık değer atama yöntemlerinin ölçme araçlarının geçerlik ve güvenirliği üzerindeki etkisi. Kuram ve Uygulamada Eğitim Bilimleri, 11 (1), 289-309.
  21. Ginkel, J.R.V., Van der Ark, L.A., Sijtma, K., & Vermunt, J.K. (2007). Two-way imputation: A Bayesian method for estimating missing scores in tests and questionnaires, and an accurate approximation. Computational Statistics & Data Analysis, 51, 4013-4027.
  22. McKnight, P.E., McKnight, K.M., Sidani, S., & Figueredo, A.J (2007). Missing data: A gentle introduction. United States of America: The Guilford Press.
  23. Carpita, M., & Manisera, M. (2011). On the imputation of missing data in surveys with likert-type scales. Journal of Classical, 28, 93-112.
  24. Duncan, T.E., Duncan, S.C., & Li, F. (1998). A comparison of model‐ and multiple imputation‐based approaches to longitudinal analyses with partial missingness. Structural Equation Modeling: A Multidisciplinary Journal, 5 (1), 1-21.
  25. Downey, R.G., & King, C.V. (1998). Missing Data in Likert Ratings: A Comparison of Replacement Methods. The Journal of General Psychology, 125 (2), 175-191.
  26. Little, R.J.A. (1988). Missing data adjustments in large surveys. Journal of Business & Economic Statistics, 6 (3), 287-296.
  27. Dondurmacı, G.A., & Çınar, A. (2014). Finans sektöründe veri madenciliği uygulaması. Akademik Sosyal Araştırmalar Dergisi, 2(1): 258-271.
  28. Akdemir, B. (2009). Tahmin uygulamalarında performans geliştirmek için kullanılan normalizasyon metotlarına yeni bir yaklaşım. Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Anabilim Dalı, Doktora Tezi, Konya.
  29. Jayalakshmi, T., & Santhakumaran A. (2011). Statistical normalization and back propagation for classification. International Journal of Computer Theory and Engineering, 3(1): 89-93.
  30. Kesavaraj, G., & Sukumaran, S. (2013). A study on classification techniques in data mining. In 2013 Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT), 1-7, IEEE.
  31. Krishnaiah, V., Narsimha, G., & Chandra, N. S. (2014). Survey of classification techniques in data mining. International Journal of Computer Sciences and Engineering, 2(9), 65-74.