KaydedilenlerDerginizi ekleyin

Dergiler / Yönetim Bilişim Sistemleri Dergisi / 2018 / Cilt: 4 - Sayı: 1

İNSAN OMURGASI VERİ SETİNİN SİNİR-BULANIK SINIFLAYICI İLE ÖZNİTELİK TESPİTİ VE SINIFLANDIRILMASI

Sümeyye ÇELİK
Özlem ÇETİNKAYA BOZKURT
Melike ŞİŞECİ ÇEŞMELİ
Sayfa
39–52
Yayın Tarihi
2018-09-06
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)

Uyarlamalı Sinir-Bulanık Sınıflayıcı yöntemi ile test verisinde %83.7419 ‘den %96.1935 oranına ulaşan bir başarı artışı sağlanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Tıp alanında, insan omurgasının sağlıklı olup olmadığına karar verilmesi için kontrol edilen bazı değerler belirlenmiştir.
📊
Temel Bulgular & Veri:Hekim, teşhis koyarken bu değerlerden faydalanır.
💡
Sonuç & Katkı:Uyarlamalı Sinir-Bulanık Sınıflayıcı yöntemi ile test verisinde %83.7419 ‘den %96.1935 oranına ulaşan bir başarı artışı sağlanmıştır.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:2011 Verileri
⚙️Değişkenler:omurga · sinir-bulanık sınıflayıcı · öznitelik seçimi

Özet

Tıp alanında, insan omurgasının sağlıklı olup olmadığına karar verilmesi için kontrol edilen bazı değerler belirlenmiştir. Hekim, teşhis koyarken bu değerlerden faydalanır. Veri madenciliği yöntemleri ile hekimlere yardımcı olacak sistemler geliştirilebilir. Kullanılan sistemlerde amaç doğru yöntemleri seçmek ve teşhisin doğruluk oranını arttırmaktır. Bu araştırmada kullanılan veri seti 2011 yılında Brezilya’nın Ceará eyaletindeki Fortaleza şehrinde bulunan Monte Klinikum hastanesinde yapılan bilimsel bir araştırmanın sonuçlarıdır ve UCI machine learning repository sitesinden temin edilmiştir. Amaç bireyleri hasta olup olmadıklarına göre iki kategoride sınıflandırmaktır. Benzer çalışmalarda sınıflandırma işlemi yapıldıysa da bu çalışmada önemli öznitelik seçimi üzerinde çalışılmıştır. Bu özniteliklerin önem derecesinin artırılmasıyla daha yüksek bir başarı sağlanması amaçlanmıştır. Veri seti üzerinde başarıyı artırmak için birçok yöntem denenmiş ve istenilen başarı artışı elde edilmiştir. Uyarlamalı Sinir-Bulanık Sınıflayıcı yöntemi ile test verisinde %83.7419 ‘den %96.1935 oranına ulaşan bir başarı artışı sağlanmıştır.

🔖

Bu Makaleye Atıf Yap

ÇELİK, S., BOZKURT, Ö. Ç., ÇEŞMELİ, M. Ş. (2018). İNSAN OMURGASI VERİ SETİNİN SİNİR-BULANIK SINIFLAYICI İLE ÖZNİTELİK TESPİTİ VE SINIFLANDIRILMASI. Yönetim Bilişim Sistemleri Dergisi, Cilt: 4 - Sayı: 1, 39–52. https://ajindex.com/articles/823533

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (8)

  1. Budak, E. Ç., ve Bozkurt, M. R. (2013). Vertebra Lomber Disklerde Meydana Gelen Bozulmaların Manyetik Rezonans Görüntüleme (MRG) ile Analizi. AJIT-e: Online Academic Journal of Information Technology, 4(11). da Rocha Neto, A. R., Sousa, R., Barreto, G. D. A., ve Cardoso, J. S. (2011, June). Diagnostic of pathology on the vertebral column with embedded reject option. In Iberian Conference on Pattern Recognition and Image Analysis (pp. 588-595).
  2. Springer, Berlin, Heidelberg. da Rocha Neto, A. R., ve de Alencar Barreto, G. (2009). On the application of ensembles of classifiers to the diagnosis of pathologies of the vertebral column: A comparative analysis. IEEE Latin America Transactions, 7(4), 487-496.
  3. Demircioğlu, H. Z. ve Bilge, H. Ş. (2015). Yumurtalık kanseri veri kümesindeki gen ifadelerinin veri madenciliği ile analizi. Marmara Fen Bilimleri Dergisi. Ganzert, S., Guttmann, J., Kersting, K., Kuhlen, R., Putensen, C., Sydow, M., ve Kramer, S. (2002). Analysis of respiratory pressure–volume curves in intensive care medicine using inductive machine learning. Artificial intelligence in medicine, 26(1-2), 69-86.
  4. Ghandhari, H., Hesarikia, H., Ameri, E., ve Noori, A. (2013). Assessment of normal sagittal alignment of the spine and pelvis in children and adolescents. BioMed research international, 2013.
  5. Gharib, T. F., Nassar, H., Taha, M., ve Abraham, A. (2010). An efficient algorithm for incremental mining of temporal association rules. Data ve Knowledge Engineering, 69(8), 800-815.
  6. Gökberk, B., İrfanoğlu, M. O., Doğu, H., Akarun, L., & Alpaydın, E. (2003). Yüz Tanima Için Eniyi Gabor Parametrelerinin Seçimi. Göreke, V., Uzunhisarcıklı, E., ve Güven, A. (2014). Gri Seviyeli Eşoluşum Matrisleri Kullanılarak Sayısal Mamogram Görüntüsünden Doku Özniteliklerinin Çıkarılması ve Yapay Sinir Ağı ile Kitle Tespiti. Tıp Teknolojileri Ulusal Kongresi-TıpTekno’14. Gündüz, A. E., Temizel, A., Temizel, T. T. (2013). Kalabalık Dinamiklerinin Çıkartılması İçin Özniteliklerin Tespit ve Takibi Feature Detection and Tracking for Extraction of Crowd Dynamics. Akal, Ş. (2016). Sağlık alanında akıllı teknolojilerin kullanımı için bir uygulama önerisi. Uluslararası Yönetim Bilişim Sistemleri Konferansı, (3), 291-297.
  7. Hong, T. P., ve Wu, C. W. (2011). Mining rules from an incomplete dataset with a high missing rate. Expert Systems with Applications, 38(4), 3931-3936.
  8. İşler, Y., ve Narin, A. (2012). WEKA Yazılımında k-Ortalama Algoritması Kullanılarak Konjestif Kalp Yetmezliği Hastal