KaydedilenlerDerginizi ekleyin

Dergiler / Şırnak Üniversitesi Fen Bilimleri Dergisi / 2023 / Cilt: 3 Sayı: 2

Naive Bayes İle Otistik Spektrum Bozukluğu Tanısı Koyma

Mustafa SU
Hidayet TAKCI
Sayfa
50–62
Yayın Tarihi
2023-05-24
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)

Yapılan çalışmalar neticesinde parametre optimizasyonu yapılmamış veri setine oranla; yetişkin veri setinde modelin başarısı % 2.27, ergen veri setinde %7.01 ve çocuk veri setinde %3.78 performans artışı gözlemlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Otizm kişinin çevresiyle uygun ilişkiler kuramadığı gelişimsel bir bozukluktur.
📊
Temel Bulgular & Veri:Veriler üzerinde; aykırılıkların ayıklanması, eksik verilerin doldurulması, öznitelik ağırlığına göre öznitelik seçimi yapılması ve parametre optimizasyonu sonrası eğitilen modellerin başarı oranları ile ham veri üzerinden parametre optimizasyonu yapılmadan elde edilen modellerin başarı oranları karşılaştırılmıştır.
💡
Sonuç & Katkı:Yapılan çalışmalar neticesinde parametre optimizasyonu yapılmamış veri setine oranla; yetişkin veri setinde modelin başarısı % 2.27, ergen veri setinde %7.01 ve çocuk veri setinde %3.78 performans artışı gözlemlenmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Otizm · Naive Bayes · Veri Ön İşleme

Özet

Otizm kişinin çevresiyle uygun ilişkiler kuramadığı gelişimsel bir bozukluktur. Otizmin erken teşhisi kişinin erken yaşta eğitilip çevresiyle olan ilişkisinin düzenlenmesinde hayati önem taşımaktadır. Bu çalışmada, otizm teşhisinin geç konulması sebebiyle otizm teşhisi konulan kişilerin yaşadığı sorunların çözümüne katkı sağlayabilmek için Naive Bayes Makine Öğrenmesi algoritmasıyla hastalığa erken tanı konulması amaçlanmıştır. Çalışma analizinin gerçekleştirilebilmesi için veri setinde otizmli insanların bebeklik, ergenlik ve yetişkinlik dönemleri ele alınmıştır. Veriler üzerinde; aykırılıkların ayıklanması, eksik verilerin doldurulması, öznitelik ağırlığına göre öznitelik seçimi yapılması ve parametre optimizasyonu sonrası eğitilen modellerin başarı oranları ile ham veri üzerinden parametre optimizasyonu yapılmadan elde edilen modellerin başarı oranları karşılaştırılmıştır. Yapılan çalışmalar neticesinde parametre optimizasyonu yapılmamış veri setine oranla; yetişkin veri setinde modelin başarısı % 2.27, ergen veri setinde %7.01 ve çocuk veri setinde %3.78 performans artışı gözlemlenmiştir. Bu çalışma, veri ön işleme teknikleri ve parametre optimizasyon işlemleri sonrası başarı oranlarının arttığını göstermektedir.

🔖

Bu Makaleye Atıf Yap

SU, M., TAKCI, H. (2023). Naive Bayes İle Otistik Spektrum Bozukluğu Tanısı Koyma. Şırnak Üniversitesi Fen Bilimleri Dergisi, Cilt: 3 Sayı: 2, 50–62. https://ajindex.com/articles/938759

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Abdullah, A. A., Rijal, S., Dash, S. R. (2019). Evaluation on Machine Learning Algorithms for Classification of Autism Spectrum Disorder (ASD). In Journal of Physics: Conference Series 1372 1 012052.
  2. Alwidian, J., Elhassan, A., Ghnemat, R. (2020). Predicting autism spectrum disorder using machine learning technique. International Journal of Recent Technology and Engineering, 8(5), 4139-4143.
  3. Atan, S. (2020).
  4. KNN, Naive Bayes ve Karar Ağacı Makine Öğrenme Algoritmaları, Bu Algoritmaların Sosyal Bilimlerde Kullanım İmkânları. SocArXiv. doi:10.31235/osf.io/8r5pu Büyükoflaz, F. N. ve Öztürk, A. (2018). "Early autism diagnosis of children with machine learning algorithms,". Signal Processing and Communications Applications Conference (SIU), pp. 1-4, doi: 10.1109/SIU.2018.8404223. Cho S, Liberman M, Ryant N, Cola M, Schultz RT, Parish-Morris J. (2019). Automatic Detection of Autism Spectrum Disorder in Children Using Acoustic and Text Features from Brief Natural Conversations. Proceedings of the Annual Conference of INTERSPEECH; (pp. 2513-2517),
  5. Graz, Austria. Demirhan, A. (2018). Performance of machine learning methods in determining the autism spectrum disorder cases. Mugla Journal of Science and Technology, 4(1), 79-84.
  6. Devika Varshini, G., Chinnaiyan, R. (2020). Optimized Machine Learning Classification Approaches for Prediction of Autism Spectrum Disorder. Ann Autism Dev Disord, 1(1), 1001. Fadi Fayez Thabtah (2017), “Autistic Spectrum Disorder Screening Data for Adolescent”, https://archive.ics.uci.edu/ml/machine-learning-databases/00420/. (Erişim Tarihi: 21.11.2022).
  7. Fadi Fayez Thabtah (2017), “Autistic Spectrum Disorder Screening Data for Adult”, https://archive.ics.uci.edu/ml/machine-learning-databases/00426/. (Erişim Tarihi: 21.11.2022).
  8. Fadi Fayez Thabtah (2017), “Autistic Spectrum Disorder Screening Data for children”, https://archive.ics.uci.edu/ml/machine-learning-databases/00419/,2017. (Erişim Tarihi: 21.11.2022).
  9. Fawcett, T. (2006). An introduction to ROC analysis. Pattern recognition letters, 27(8), 861-874.
  10. Jiang, L., Zhang, L., Li, C., Wu, J. (2018). A correlation-based feature weighting filter for naive Bayes. IEEE transactions on knowledge and data engineering, 31(2), 201-213.
  11. Kotsiantis, S. B., Kanellopoulos, D., Pintelas, P. E. (2006). Data preprocessing for supervised leaning. International journal of computer science, 1(2), 111-117.
  12. Manek, A. S., Shenoy, P. D., Mohan, M. C. (2017). Aspect term extraction for sentiment analysis in large