Covid-19 virüsü hayatımıza girdiği Aralık 2019’dan bu yana etkinliğini kaybetmeden tüm dünyayı etkilemeye devam etmektedir. Dünya sağlık örgütünün önerileri, ülkelerin kendi bünyelerinde aldıkları tedbirler ve aşı çalışmaları virüsün üstesinden gelmek için büyük önem arz etmektedir. Bu bağlamda birçok bilimsel çalışma virüsün geleceği için değerli bilgiler ortaya koymuştur. Çalışmada Türkiye Covid-19 günlük hasta sayısındaki değişimin sınıflandırılmasına yönelik tahminler destek vektör makinesi ve k-en yakın komşu algoritmaları ile yapılmıştır. Günlük hasta sayısının sınıflandırılmasının tahmininde etkin rol oynayan öznitelikler ‘pozitif çıkma oranı’, ‘filyasyon oranı’, ‘işyerleri hareketliliği’ ve ‘parklardaki hareketlilik’ olarak belirlenmiştir. Bu etkin öznitelikler yardımıyla yapılan günlük hasta sayısının sınıflandırılması tahmininde de k-en yakın komşu algoritmasının (%84,7) en başarılı algoritma olduğu gözlemlenmiştir.
Covid-19 Hasta sayısı Makine öğrenmesi Öznitelik seçimi Sınıflandırma
Since December 2019, the Covid-19 virus afftected our lives and continues to affect the whole world significantly. The investigistion of the indicators of the Covid-19 virus and vaccination studies are of great interest to overcome the Covid-19 pandemic based on the World health organization recommendations. In this context, many scientific studies have revealed valuable information for the future of the virus. In this study, estimation of the cOvid-19 cases and Classification of changes in the daily number of cases in Turkey was carried out by using support vector machine and k-nearest neighbor algorithms. The indicators that play a critical role in the estimation of the daily patient number classification have been determined as "positivity rate", "fillation rate", "workplace mobility" and "mobility in parks". It has been observed that the k-nearest neighbor algorithm (84.7%) is the most successful algorithm in the estimation of the daily number of cases when considering the highlighted features.
Covid-19 Daily case Machine learning Feature selection Classification
Birincil Dil | Türkçe |
---|---|
Bölüm | Makaleler |
Yazarlar | |
Yayımlanma Tarihi | 15 Ocak 2022 |
Gönderilme Tarihi | 6 Mart 2021 |
Kabul Tarihi | 1 Ocak 2022 |
Yayımlandığı Sayı | Yıl 2022 Cilt: 12 Sayı: 1 |