Investigation of the effect of various factors on hair loss using machine learning techniques

Abstract

Nowadays, hair loss has become a big problem for people in terms of psychology, aesthetics and many other aspects. Anxiety, stress, irregular nutrition, genetic and environmental factors are among the main causes of hair loss. This study was carried out to determine the various factors affecting hair loss and to test the suitability of machine learning and data mining methods in this study process. Analyses were made with many machine learning algorithms using different data sets. According to the results, while coffee consumption, which is one of the factors that has the most effect on hair loss in the first data set, was seen to affect hair loss by 95%, the factors in the second data set were seen to have less effect on hair loss compared to the factors in the first data set. These results show that we can use machine learning algorithms as an effective tool in the process of better understanding the hair loss problem and early diagnosis.

Keywords

• Algorithm
• Hair loss
• Engineering
• Original studies
• Machine learning
• Data mining

Çeşitli faktörlerin saç dökülmesine etkisinin makine öğrenmesi teknikleriyle incelenmesi

Öz

Günümüzde saç dökülmesi, insanlar için psikolojik, estetik ve birçok açıdan büyük bir sorun haline gelmiştir. Kaygı, stres, düzensiz beslenme, genetik ve çevresel faktörler saç dökülmesinin temel nedenleri arasında yer almaktadırlar. Bu çalışma da saç dökülmesini etkileyen çeşitli faktörleri belirlemek ve bu çalışma sürecinde makine öğrenimi ve veri madenciliği yöntemlerinin uygunluğunu test etmek amacıyla gerçekleştirilmiştir. Farklı veri setleri kullanılarak birçok makine öğrenimi algoritmaları ile analizler yapılmıştır. Sonuçlara göre ilk veri setinde saç dökülmesi üzerinde en çok etkiye sahip etkenlerden kahve tüketimi %95 oranında etkilediği görülürken, ikinci veri setindeki etkenler ilk veri setindeki etkenlere oranla saç dökülmesine etkisi daha yetersiz olduğu görülmüştür. Bu sonuçlar saç dökülmesi sıkıntısının daha iyi idrak edilmesi ve erken teşhis sürecinde makine öğrenimi algoritmalarının etkin bir araç olarak kullanabileceğimizi göstermektedir.

Anahtar Kelimeler

• Algoritma
• Saç dökülmesi
• Mühendislik
• Özgün çalışmalar
• Makine öğrenimi
• Veri madenciliği

References

1. Rushton, D. H., Norris, M. J., Dover, R., and Busuttil, N. (2002) Causes of hair loss and the developments in hair rejuvenation, International journal of cosmetic science, 24(1): 17-23.
2. Phillips, T. G., Slomiany, W. P., and Allison, R. (2017) Hair loss: common causes and treatment, American family physician, 96(6): 371-378.
3. Wells PA, Willmoth T, Russell RJ. (1995) Talih mi lehinde? Kel mi? Erkeklerde saç dökülmesinin psikolojik bağlantıları. Br J Psikoloji. 86:337–44.
4. Shapiro J. (2007) Clinical practice Hair loss in women, N Engl J Med. 357(16):1620–30.
5. Hastie TJ, Tibshirani, RJ, Friedman JH. (2009) The Elements of Statistical Learning: Data Mining, Inference and Prediction. Second Edition. Springer.
6. Nuray, S. E., Gençdal, H. B., and Arama, Z. A. (2021) Zeminlerin kıvam ve kompaksiyon özelliklerinin tahmininde rastgele orman regresyonu yönteminin uygulanabilirliği, Mühendislik Bilimleri ve Tasarım Dergisi, 9(1): 265-281.
7. Esfandiari, A., Kalantari, K. R., and Babaei, A. (2012) Hair loss diagnosis using artificial neural networks, International Journal of Computer Science Issues (IJCSI), 9(5): 174.
8. Haykin, S. (1999) Neural networks: a comprehensive foundation, Prentice hall.

9. Mandic D. P. and Chambers J. A., (2001) Recurrent neural networks for prediction: Learning algorithms, architectures and stability, Wiley.
10. Sureshkumar C. and Ravichandran T., Character Recognition using RCS with Neural Network.
11. Chang, W.-J.; Chen, L.-B.; Chen, M.-C.; Chiu, Y.-C.; Lin, J.-Y. (2020) ScalpEye: A Deep Learning-Based Scalp Hair Inspection and Diagnosis System for Scalp Health, IEEE Access, 8, 134826–134837.
12. Cho,T.S., Freeman, W.T., and Tsao, H. (2007) A reliable skin mole localization scheme, In Proceedings of the IEEE 11th International Conference on Computer Vision, Rio de Janeiro, Brazil, 14–21 October 2007.
13. Benhabiles, H., Hammoudi, K., Yang, Z., Windal, F., Melkemi, M., Dornaika, F., and Arganda-Carreras, I. (2019) Deep Learning based Detection of Hair Loss Levels from Facial Images, In Proceedings of the Ninth International Conference on Image Processing Theory, Tools and Applications (IPTA), Istanbul, Turkey, 6–9 November 2019.
14. Chang, W.-J., Chen, L.-B., Chen, M.-C., Chiu, Y.-C., and Lin, J.-Y. (2020) ScalpEye: A Deep Learning-Based Scalp Hair Inspection and Diagnosis System for Scalp Health, IEEE Access 2020, 8, 134826–134837.
15. Veranyurt, Ü., Deveci, A., Esen, M. F., and Veranyurt, O. (2020). Makine öğrenmesi teknikleriyle hastalık sınıflandırması: Random Forest, K-Nearest Neighbour Ve Adaboost Algoritmaları Uygulaması, Uluslararası Sağlık Yönetimi ve Stratejileri Araştırma Dergisi, 6(2): 275-286.
16. Çiçek, A., and Arslan, Y. (2020) Müşteri kayıp analizi için sınıflandırma algoritmalarının karşılaştırılması, İleri Mühendislik Çalışmaları ve Teknolojileri Dergisi, 1(1): 13-19.
17. Karatekin, C., and Başaran, T. (2022) Gün öncesi piyasasında elektrik enerjisi fiyatının veri analizi ile tahmin edilmesi, Journal of the Institute of Science and Technology, 12(4): 2075-2084.
18. Web Page: Luke Hair Loss Dataset https://www.kaggle.com/datasets/lukexun/luke-hair-loss-dataset
19. Web Page: Hair loss dataset https://www.kaggle.com/datasets/brijlaldhankour/hair-loss-dataset
20. Krishnamoorthy, N., Jayanthi, P., Kumaravel, T., Sundareshwar, V. A., and Harris, R. S. J. (2023) Scalp disease analysis using deep learning models, Applied and Computational Engineering, 2, 1003-1009.
21. Ha, C., Go, T., and Choi, W. (2024) Intelligent healthcare platform for diagnosis of scalp and hair disorders, Applied Sciences, 14(5): 1734.
22. Wang, W. C., Chen, L. B., and Chang, W. J. (2018) Development and experimental evaluation of machine-learning techniques for an intelligent hairy scalp detection system, Applied Sciences, 8(6): 853.
23. Sokolova, M., and Lapalme, G. (2009) A systematic analysis of performance measures for classification tasks, Information Processing and Management, 45(4): 427–437.
24. Powers, D. M. W. (2011) Evaluation: From precision, recall and F-measure to ROC, informedness, markedness and correlation, Journal of Machine Learning Technologies, 2(1): 37–63.
25. Fawcett, T. (2006) An introduction to ROC analysis, Pattern Recognition Letters, 27(8): 861–874.
26. Chai, T., and Draxler, R. R. (2014) Root mean square error (RMSE) or mean absolute error (MAE)?, Geoscientific Model Development, 7(1): 1247–1250.
27. Yin, Y., and Jin, Y. (2020) An improved R-squared statistic for evaluating regression models, Journal of Applied Statistics, 47(6): 1114–1130.