KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2017 / Cilt: 32 - Sayı: 1

OBEZİTE RİSKİ ALTINDAKİ ÇOCUKLARIN ÖRNEK TABANLI SINIFLANDIRICI TOPLULUKLARIYLA TESPİTİ

Faruk BULUT
Sayfa
0–0
Yayın Tarihi
2017-03-23
DOI
—
🏛️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)

Ayrıca ilgili kişiler tarafından gerekli önlemlerin zamanında alınabilmesi sağlanmaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Öz Çocukluk yıllarındaki beslenme ve yaşam alışkanlıkları ileri yaşlarda ortaya çıkabilecek obezite hastalığının nedenini oluşturur.
📊
Temel Bulgular & Veri:Eğitim seti üzerinde yapılan öğrenme ve çapraz geçerleme işlemlerinde algoritmalara ait yüksek doğruluk oranları elde edilmiş ve en başarılı yöntemin 0,839’lık MCC (Matthews Correlation Coefficient) değeriyle Rastsal Altuzaylar olduğu görülmüştür.
💡
Sonuç & Katkı:Ayrıca ilgili kişiler tarafından gerekli önlemlerin zamanında alınabilmesi sağlanmaktadır.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Anahtar Kelimeler Obezite · Kolektif öğrenme · sınıflandırma

Özet

Öz Çocukluk yıllarındaki beslenme ve yaşam alışkanlıkları ileri yaşlarda ortaya çıkabilecek obezite hastalığının nedenini oluşturur. Bu çalışma çocuklarda obeziteye yakalanma riskini hesaplayan bir erken uyarı sisteminin geliştirilmesi üzerinedir. Makine öğrenmesi kolektif öğrenme algoritmaları kullanılarak yapay ve özgün bir klinik karar destek sistemi (KKDS) geliştirilmiştir. Obeziteye neden olan faktörler hazırlanan anket içerisine yerleştirmiştir. Devlet hastanelerinden ve okullarından alınan resmi izinlerle anketler çocuklara uygulanmış ve elde edilen verilerle güvenilir bir eğitim seti oluşturulmuştur. k En Yakın Komşuluk algoritmasının geliştirilmiş versiyonları Oylama, Bagging, Boosting ve Rastsal Altuzaylar yöntemlerinde tekil öğrenici olarak kullanılmıştır. Eğitim seti üzerinde yapılan öğrenme ve çapraz geçerleme işlemlerinde algoritmalara ait yüksek doğruluk oranları elde edilmiş ve en başarılı yöntemin 0,839’lık MCC (Matthews Correlation Coefficient) değeriyle Rastsal Altuzaylar olduğu görülmüştür. Çağın önemli bir sorununa karşı önerilen bu model sayesinde, ileri yaşlarda oluşabilecek obezite riski önceden tespit edilebilmektedir. Ayrıca ilgili kişiler tarafından gerekli önlemlerin zamanında alınabilmesi sağlanmaktadır.

🔖

Bu Makaleye Atıf Yap

BULUT, F. (2017). OBEZİTE RİSKİ ALTINDAKİ ÇOCUKLARIN ÖRNEK TABANLI SINIFLANDIRICI TOPLULUKLARIYLA TESPİTİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 32 - Sayı: 1, 0–0. https://ajindex.com/articles/20260

📄 Tam Metin PDF Okuyucu

↗Yeni Sekme

Kaynakça (10)

  1. Ulutaş A.P., Atla P., Say Z.A., Sarı E., Okul Çağındaki 6-18 Yaş Arasi Obez Çocuklarda Obezite Oluşumunu Etkileyen Faktörlerin Araştırılması, Zeynep Kamil Tip Bülteni, 45(4), 192-196, 2014.
  2. Adnan M.H.M., Husain W., & Rashid N.A.A., A hybrid approach using Naïve Bayes and Genetic Algorithm for childhood obesity prediction, IEEE International Conference Computer & Information Science (ICCIS), Cilt 1, 281-285, Temmuz 2012.
  3. Heydari S.T., Ayatollahi S.M.T., Zare N., Comparison of Artificial Neural Networks with Logistic Regression for Detection of Obesity, Journal of medical systems, 36(4), 2449-2454, 2012.
  4. Manna S., Jewkes A.M., Understanding early childhood obesity risks: An empirical study using fuzzy signatures, IEEE International Conference In Fuzzy Systems (FUZZ-IEEE), 1333-1339, 2014. Kóczy L.T., Vámos T., Biró G, Fuzzy Signatures, 2nd International Conference on Soft and Intelligent Computing EUROPUSE-SIC, Budapeşte, 210–217, 1999.
  5. Dugan T.M., Mukhopadhyay S., Carroll A., Downs S., Machine Learning Techniques for Prediction of Early Childhood Obesity, Applied clinical informatics, 6(3), 506-520, 2015.
  6. Uskun E., Öztürk M., Kişioğlu A.N., Kırbıyık S., Deömirel, R., İlköğretim Öğrencilerinde Obezite Gelişimini Etkileyen Risk Faktörleri, S.D.Ü. Tıp Fakültesi Dergisi, 12(2), 19-25, 2005. Bulut F. Study of Obesity: Identifying Risk Rate of Obesity with Instance Based Ensemble Classifiers. https://sites.google.com/site/bulutfaruk/study-of-obesity. Erişim tarihi Kasım 1, 2016.
  7. Yılmaz A.A., Özaydın E., Demirel F., Kös, G. Obez Adölesanlarda Obezite Gelişimini Belirleyen Faktörlerin ve Metabolik Sendrom Varlığının Retrospektif Olarak Değerlendirilmesi, Türkiye Çocuk Hastalıkları Dergisi, 1-5, 2015.
  8. Biudnik M., Pozniak I., Koszalka L., The Usage of the k-Nearest Neighbour Classifier with Classifier Ensemble, 12th International Conference on Computational Science and Its Applications (ICCSA), 170-173, Haziran 2012.
  9. Chen P., Wang Y., Optimized KD Tree Application in Instance-Based Learning, Fifth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD'08), Shandong, 187-191, 2008. Bulut F., & Bucak İ.Ö., An urgent precaution system to detect students at risk of substance abuse through classification algorithms, Turkish Journal of Electrical Engineering & Computer Sciences, 22(3), 690-707, 2014.
  10. Bulut F., Amasyali M.F., Locally adaptive k parameter selection for nearest neighbor classifier: one nearest cluster, Pattern Analysis and Applications, Sprin