KaydedilenlerDerginizi ekleyin

Dergiler / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2022 / Cilt: 34 - Sayı: 1

Diyabet Hastalıkları İçin GA-DÇF-UÖM Tabanlı Uzman Tanı Sistemi

Akif DOĞANTEKİN
Cafer BAL
Sayfa
473–484
Yayın Tarihi
2022-03-20
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)

Bu başarıya dayalı olarak dalgacık çekirdek fonksiyonunun (DFÇ) q, t, j parametrelerinin değerleri 8, 9 ve 7 olarak bulunmuş ve GNS 140 olmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Uç Öğrenme Makinesi (UÖM), regresyon ve sınıflandırma problemleri için yeni bir alandır.
📊
Temel Bulgular & Veri:GA, UÖM' nin gizli nöron sayısını (GNS) ve Dalgacık Çekirdek Fonksiyonu (DÇF)' nin q, t, j parametre değerlerini optimize etmek için kullanılır.
💡
Sonuç & Katkı:Bu başarıya dayalı olarak dalgacık çekirdek fonksiyonunun (DFÇ) q, t, j parametrelerinin değerleri 8, 9 ve 7 olarak bulunmuş ve GNS 140 olmuştur.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Uç Öğrenme Makinesi · Dalgacık Çekirdeği · Genetik Algoritma

Özet

Uç Öğrenme Makinesi (UÖM), regresyon ve sınıflandırma problemleri için yeni bir alandır. Bu çalışmada diyabet teşhisi için Genetik Algoritma-Dalgacık Çekirdek Fonksiyonu-Uç Öğrenme Makinesi (GA-DFÇ-UÖM) yöntemi kullanılmıştır. GA, UÖM' nin gizli nöron sayısını (GNS) ve Dalgacık Çekirdek Fonksiyonu (DÇF)' nin q, t, j parametre değerlerini optimize etmek için kullanılır. Ayrıca DFÇ-UÖM' nin sınıflandırma performansını artırmak için Genetik Algoritma (GA) kullanılmaktadır. Diyabet Veri Seti (DVS) toplam 768 vaka içermektedir. Bu deneysel çalışmada kullanılan veri seti, UCI veri setinden alınan gerçek diyabet verilerinden oluşmaktadır. Veri seti, DFÇ-UÖM' nin eğitimi ve testi için kullanılır. Sağlıklı ve diyabetik hasta bilgilerinin özellik vektörü, DFÇ-UÖM sınıflandırıcısına girdi olarak sağlanır. Önerilen GA-DFÇ-UÖM yönteminin en başarılı sınıflandırma doğruluğu %98,3 olarak bulunmuştur. Bu başarıya dayalı olarak dalgacık çekirdek fonksiyonunun (DFÇ) q, t, j parametrelerinin değerleri 8, 9 ve 7 olarak bulunmuş ve GNS 140 olmuştur.

🔖

Bu Makaleye Atıf Yap

DOĞANTEKİN, A., BAL, C. (2022). Diyabet Hastalıkları İçin GA-DÇF-UÖM Tabanlı Uzman Tanı Sistemi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 34 - Sayı: 1, 473–484. https://ajindex.com/articles/397813

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. American Diabetes Association. (2014). Diagnosis and classification of diabetes mellitus. Diabetes care, 37(Supplement 1), S81-S90
  2. American Diabetes Association. (2014). Standards of medical care in diabetes—2014. Diabetes care, 37(Supplement 1), S14-S80
  3. Johnson, R. J., Nakagawa, T., Sanchez-Lozada, L. G., Shafiu, M., Sundaram, S., Le, M.,. & Lanaspa, M. A. (2013). Sugar, uric acid, and the etiology of diabetes and obesity. Diabetes, 62(10), 3307-3315
  4. K. Polat, S. Gunes and A. Arslan, (2008). A cascade learning system for classication of diabetes disease: Generalized Discriminant Analysis and Least Square Support Vector Machine, Expert Systems with Applications 34, p.p.482–487
  5. K., Kayaer, & T. Yıldırım, (2003). Medical diagnosis on pima indian diabetes using general regression neural networks, artificial neural networks and neural information processing (ICANN/ICONIP) (pp. 181–184), Istanbul, Turkey, June 26–29
  6. K.P. Bennett, J. Blue, A Support Vector Machine Approach to Decision Trees, R.P.I Math Report No. 97-100, Rensselaer Polytechnic Institute, Troy, NY, 1997
  7. Friedman N, Geiger D, Goldszmit M (1997). Bayesian networks classifiers. Machine Learning 29: p.p.131-163
  8. Avci, D. (2016). An Automatic Diagnosis System for Hepatitis Diseases Based on Genetic Wavelet Kernel Extreme Learning Machine. Journal of Electrical Engineering & Technology, 11(4), 993-1002
  9. G. B. Huang, Q.-Y. Zhu and C.-K. Siew, “Extreme Learning Machine: Theory and Applications”, Neurocomputing, vol. 70, pp. 489-501, 2006
  10. N.-Y. Liang, G.-B. Huang, P. Saratchandran, and N. Sundararajan, “A Fast and Accurate On-line Sequential Learning Algorithm for Feedforward Networks”, IEEE Transactions on Neural Networks, 17 (2006) 1411-1423
  11. Al-Shayea, Qeethara Kadhim. "Artificial neural networks in medical diagnosis", International Journal of Computer Science Issues 8.2 (2011): 150-154
  12. Whitley, D. (2014). An executable model of a simple genetic algorithm. Foundations of genetic algorithms, 2(1519), 45-62
  13. Xiong, H. Y., Alipanahi, B., Lee, L. J., Bretschneider, H., Merico, D., Yuen, R. K.,. & Morris, Q. (2015). The human splicing code reveals new insights into the genetic determinants of disease. Science, 347(6218), 1254806
  14. Goldberg, D. E. (2006). Genetic algorithms. Pearson Education India
  15. Bin Li, Xuewen Rong and Yibin Li, “An Improved Kernel Based Extreme Learning Machine for Robot Execution Failures”, Hindawi Publishin