Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightÇalışma sonucunda bilgisayar destekli tanı için Saf bayes yöntemi diğer yöntemlerden daha başarılı sonuçlar üretmiştir.
📌 3 Maddede Bu Makale
Özet
Ülkemizde küçükbaş hayvan sayısı her geçen gün çeşitli sebeplerden dolayı azalmaktadır. Küçükbaş hayvan sayısının azalmasına paralel olarak, hayvansal üretimde de önemli azalmalar görülmektedir. Küçükbaş hayvan sayısının azalmasını önlemenin bir yolu da hastalıklarla ilgili tahmin ve analizlerin başarılı bir şekilde yapılabilmesidir. Makine öğrenmesi ile yapılan bilgisayar destekli tanı çalışmaları sayesinde, sağlık hizmetlerinin kalitesi artarken sağlık sektöründeki maliyetler azalmaktadır. Bu çalışmanın amacı makine öğrenmesi yöntemleri ile kuzularda erken hastalık teşhisi yapmaktır. Bunun için çalışmada karar ağaçları, saf bayes, k-en yakın komşu, yapay sinir ağları ve rassal orman yöntemleri kullanılmıştır. Bu sınıflandırma yöntemlerinin performansları doğruluk, dengeli doğruluk, seçicilik, duyarlılık, F-ölçütü, kappa ve ROC eğrisi altında kalan alan (AUC) ölçütleri ile analiz edilmiştir. Çalışma sonucunda bilgisayar destekli tanı için Saf bayes yöntemi diğer yöntemlerden daha başarılı sonuçlar üretmiştir. Basit ve uygulaması kolay olan Saf bayes yöntemin diğer karmaşık yöntemlerden daha başarılı sonuçlar elde etmesi oldukça önemlidir.
Abstract
In our country, the number of small ruminant animals is decreasing day by day due to various reasons. In parallel with the decrease in the number of small ruminants, significant decreases are seen in animal production. One way to prevent the reduction in the number of small ruminants is to be able to make successful predictions and analysis related to the diagnosis. Thanks to computer-aided diagnostic studies performed with machine learning, the quality of health services increases while the costs of the health sector decrease. The aim of this study is to perform computer aided diagnosis in neonatal lambs using machine learning methods. Hence in study, decision tree, naive bayes, k-nearest neighbors, artificial neural networks and random forest methods were used. The performances of these classification methods were analyzed with accuracy, balanced accuracy, specifity, recall, F-measure, kappa and area under the ROC curve (AUC) criteria. As a result of the study, the Naive bayes method more successful results than other methods for computer aided diagnosis produced. It is very important that, the Naive bayes method is simple and easy to apply, achieves more successful results than other complex methods.