Makine öğrenmesi algoritmalarıyla kalp hastalıklarının tespit edilmesine yönelik performans analizi

Öz

Kişilerin karşı karşıya kaldıkları hastalıkların içinde kalp hastalıkları önemli bir yer tutmaktadır. Kalp hastalıklarının ortaya çıkmasının birçok nedeni olabilmekte ve kişiyi çok fazla etkileyebilmektedir. Ancak kişilerin kalp hastalığı nedeniyle yaşamın sonlamasının önüne geçilebilecek tedaviler mümkündür. Bu noktada erken teşhisin önemi büyüktür. Bu nedenle çalışmanın konusu makine öğrenmesi algoritmaları kullanılarak kalp hastalıklarının tespit edilmesinin performans analizi olarak seçilmiştir. Bu konuda yapılan araştırmaların sınırlı olmasıyla beraber makine öğrenme yöntemiyle birlikte bazı araştırmalar bulunmaktadır. Makine öğrenmesi yöntemlerinden; destek vektör makineleri, rastgele orman algoritmaları, yapay sinir ağları, Naive Bayes ve k-NN bu çalışma içinde karşılaştırılarak analizi yapılmıştır.

Anahtar Kelimeler

• Makine Öğrenmesi
• Yapay Zekâ
• Veri İşleme Teknikleri
• Kalp Hastalıkları

PERFORMANCE ANALYSIS OF MACHINE LEARNING ALGORITHMS USED TO DETECT HEART DISEASES

Öz

Heart diseases have an important place among the diseases that people face. There can be many reasons for the occurrence of heart diseases and it can affect the person very much. However, there are treatments that can prevent people from ending life due to heart disease. At this point, early diagnosis is of great importance. For this reason, the subject of the study was chosen as the performance analysis of the detection of heart diseases using machine learning algorithms. Although the research on this subject is limited, there are some researches with machine learning method. From machine learning methods; support vector machines, random forest algorithms, artificial neural networks, Naive Bayes and k-NN were compared and analyzed in this study.

Anahtar Kelimeler

• Machine Learning
• Artificial Intelligence
• Data Processing Techniques
• Heart Diseases.

Kaynakça

1. Akpınar, H., (2014), Data Veri Madenciliği Veri Analizi, Yayınevi: Papatya Bilim, Basım: İstanbul.
2. Aydın, F. (2011). Kalp ritim bozukluğu olan hastaların tedavi süreçlerini desteklemek amaçlı makine öğrenmesine dayalı bir sistemin geliştirilmesi, Trakya Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi.
3. Başer, B. Ö., Yangın, M., Sarıdaş, E. S. (2021). Makine öğrenmesi teknikleriyle diyabet hastalığının sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25(1), 112-120.
4. Brownlee J. (2020). Data preparation for machine learning: data cleaning, feature selection, and data transforms in Python. Published online. Accessed 08.06.2022 https://books.google.com/books?hl=tr&lr=&id=uAPuDwAAQBAJ&oi=fnd& pg=PP1&dq=Brownlee,+J.+(2020).+Data+preparation+for+machine+learning :+data+cleaning,+feature+selection,+and+data+transforms+in+Python.+Mach ine+Learning+Mastery.&ots=Cl3JxkcNtU&sig=l2XsLJ-cjCBZrrQTHmw5lNJBoI
5. Cihan, Ş. (2018). Koroner arter hastalığı riskinin makine öğrenmesi ile analiz edilmesi (Master's thesis, Kırıkkale Üniversitesi).
6. Görgün, M. (2020). Makine öğrenmesi yöntemleriyle kalp hastalıklarının tahmin edilmesi (Master's thesis, Lisansüstü Eğitim Enstitüsü).
7. Sawant, R., Jangid, Y., Tiwari, T., Jain, S., Gupta, A. (2018, August). Comprehensive analysis of housing price prediction in pune using multi-featured random forest approach. In 2018 Fourth International Conference on Computing Communication Control and Automation (ICCUBEA) (pp. 1-5). IEEE.
8. Güleç, S. (2009). Kalp damar hastalıklarında global risk ve hedefler. Türk Kardiyol Dern. Arş, 37, 3-5.

9. Han, J., Kamber, M., (2006), “Data mining: concepts and techniques”, Morgan Kaufmann Publishers, Burlington. Introduction to Machine Learning with Python: A Guide for Data Scientists - Andreas C. Müller, Sarah Guido - Google Kitaplar. Accessed 09.06.2022 https://books.google.com.tr/books
10. Jayant, A., (2020), Data Science and Machine Learning Series: Naive Bayes Classifier Advanced Concepts, Technics Publications, 2020, https://books.google.com.tr/
11. Joshi, P. (2019). Predicting customers churn in telecom industry using centroid oversampling method and KNN classifier. Int. Res. J. Eng. Technol.
12. Kayikçioğlu, M. (2014). Homozygous familial hypercholesterolemia. Turk Kardiyoloji Dernegi Arsivi: Turk Kardiyoloji Derneginin Yayin Organidir, 42, 47-55.
13. Kim, S., Shin, K. S., Park, K. (2005). An application of support vector machines for customer churn analysis: Credit card case. In International Conference on Natural Computation (pp. 636-647). Springer, Berlin, Heidelberg.
14. Mitchell, T. M., Mitchell, T. M. (1997). Machine learning (Vol. 1, No. 9). New York: McGraw-hill.
15. Perez, C., (2019), Statıstıcs And Data Analysıs With Matlab. Naıve Bayes, Knn And Pattern Recognıtıon, Amazon Digital Services LLC- KDP Print US, 2019, https://books.google.com.tr/books?id=BV1_xQEACAAJ&dq=naive+bayes&hl=tr&sa=X&redir_esc=y Erişim Tarihi: 08.06.2022
16. Onat, A., Örnek, E., Şenocak, M., vd., (1991). Survey on Prevalence of Cardiac Disease and its Risk Factors in Adults in Turkey: 6. Diabetes and Obesity. Archives of the Turkish Society of Cardiology, 19(3), 178-185.
17. Pendharkar, P. C. (2009). Genetic algorithm based neural network approaches for predicting churn in cellular wireless network services. Expert Systems with Applications, 36(3), 6714-6720.
18. Polatgil, M. (2020). Anfis ve Bulanık K Ortalamalar ile Kalp Hastalığının Tespit edilmesi. Bilişim Teknolojileri Dergisi, 13(4), 443-449.
19. US Department of Health and Human Services (1982). A Report of the Surgeon General: The health consequences of smoking. Washington (DC), US Department of Health and Human Services.
20. Xie, Y., Li, X., Ngai, E. W. T., Ying, W. (2009). Customer churn prediction using improved balanced random forests. Expert Systems with Applications, 36(3), 5445-5449.
21. Yahyaoui, A. (2017). Göğüs hastalıklarının teşhis edilmesinde makine öğrenmesi algoritmalarının kullanılması.Yang X. Introduction to algorithms for data mining and machine learning. Published online.
22. Yıldız, A., Hasan, Z. A. N. (2019). Segmantasyon yapmadan patolojik kalp sesi kayıtlarının tespiti için bir örüntü sınıflandırma algoritması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(1), 77-91.
23. Yılmaz, D. Ö. Ü. A., Yayın, K. (2021). Yapay Zeka. Kodlab Yayın Dağıtım Yazılım Ltd. Şti., https://www.google.com/search?tbm=bks&q=makine+öğrenme+yöntemleri Erişim tarihi: 09.06.2022