Determination and Classification of Importance of Attributes Used in Diagnosing Pregnant Women's Birth Method

Abstract

The rapid development of information technologies enables successful results in computer-aided studies. This has led researchers to investigate the usability of technologies such as computer and software supported systems, machine learning, and artificial intelligence in many studies. One of these areas is health. For example, in order not to risk the condition of the mother and baby, in some cases, it is very important to correctly determine the times when the cesarean operation, which is mandatory, is mandatory. In this context, in order to make a faster and more accurate decision, it is very important to determine which attributes and how important the level is in making obligatory cesarean. In this study, to determine whether or not caesarean is necessary in the literature, the importance level of the five criteria taken into consideration has been determined and an attribute determination has been carried out and then a classification has been made. Although the same data set was previously classified with different methods, no study was found on determining the significance levels of the attributes and using artificial neural networks as a method. For this reason, in this study, the feature was determined using an adaptive nerve-fuzzy classifier and classified using artificial neural networks. When the results are examined, it is concluded that the importance levels of the attributes are different. Although the values such as accuricy, Sensitivity, and Specificity calculated to evaluate the classification results were found to be quite high for the training set, it was observed that the desired success was not achieved in the test data. While this result is promising, it also reveals the need to increase the learning performed with larger data sets.

Keywords

• Attribute Selection,Classification,Adaptive Neuro-Fuzzy Classifier,Artificial Neural Networks,Caesarean

References

1. Alan, M. A. (2012). Veri madenciliği ve lisansüstü öğrenci verileri üzerine bir uygulama. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (33), 165-174.
2. Alan, M. (2004). Sivas erzincan kalkınma projesi (sekp) verilerinin veri madenciliği ile sınıflandırılması ve kümelenmesi. Manas Sosyal Araştırmalar Dergisi, 3(2), 129-144.
3. Alptekin, N., Yeşilaydın, G., (2015). Oecd ülkelerinin sağlık göstergelerine göre bulanık kümeleme analizi ile sınıflandırılması. İşletme Araştırmaları Dergisi, 7(4), 137-155.
4. Al-Tashi, Q., Kadir, S. J. A., Rais, H. M., Mirjalili, S., Alhussian, H. (2019). Binary optimization using hybrid grey wolf optimization for feature selection. IEEE Access, 7, 39496-39508.
5. Amin, M. Z., Ali, A. (2018). Performance evaluation of supervised machine learning classifiers for predicting healthcare operational decisions. Wavy AI Research Foundation: Lahore.
6. Bilimleri, M. (2019). Ulaşım türü tanımada enerji kısıtlı cihazlar için ayırt edici özellikler. Journal of Engineering Sciences, 7(1), 90-102.
7. Budak, H., Erpolat, S. (2012). Kredi riski tahmininde yapay sinir ağları ve lojistik regresyon analizi karşılaştırılması. AJIT‐e: Online Academic Journal of Information Technology, 3(9), 23-30.
8. Bulut, F. (2016). Çok katmanlı algılayıcılar ile doğru meslek tercihi, Anadolu Üniversitesi Bilim ve Teknoloji Dergisi A-Uygulamalı Bilimler ve Mühendislik. 17(1), 97-109.

9. Çelik, S., Çetinkaya Bozkurt, Ö., Şişeci Çeşmeli, M. (2018). İnsan omurgası veri setinin sinir-bulanık sınıflayıcı ile öznitelik tespiti ve sınıflandırılması. Yönetim Bilişim Sistemleri Dergisi, 4 (1), 39-52.
10. Çeşmeli, M. Ş., Bozkurt, Ö. Ç., Kalkan, A., Pençe, İ. (2015). Yönetim bilişim sistemleri bölümü öğrencilerinin yönetim ve bilişim derslerindeki başarılarının veri madenciliği yöntemleri ile incelenmesi. Yönetim Bilişim Sistemleri Dergisi, 1(2), 36-47.
11. Çetişli, B. ( 2006). Öznitelik seçiminde dilsel kuvvetli sinir bulanık sınıflayıcı kullanımı. Eskişehir Osmangazi Üniversitesi Müh. Mim. Fak. Dergisi, 19 (2), 109-130.
12. Çetişli, B. (2009). Gene selection by using a linguistic hedged adaptive neuro-fuzzy classifier for cancer classification. Signal Processing and Communications Applications Conference, (17), 257-260.
13. Çolak, C., Çolak, M. C., Atıcı, M. A. (2005). Ateroskleroz'un tahmini için bir yapay sinir ağı. Ankara Üniversitesi Tıp Fakültesi Mecmuası, 58(04), 159-162.
14. Dreiseitl, S., Ohno-Machado, L. (2002). Logistic regression and artificial neural network classification models: a methodology review. Journal of Biomedical İnformatics, 35(5-6), 352-359.
15. El-Bouri, A., Balakrishnan, S., Popplewell, N. (2000). Sequencing jobs on a single machine: a neural network approach. European Journal of Operational Research, 126, 474–490.
16. El_Jerjawi, N. S., Abu-Naser, S. S. (2018). Diabetes prediction using artificial neural network. International Journal of Advanced Science and Technology, 121, 55-64.
17. Emhan, Ö., Akın, M. (2019). Filtreleme tabanlı öznitelik seçme yöntemlerinin anomali tabanlı ağ saldırısı tespit sistemlerine etkisi. DÜMF Mühendislik Dergisi, 10(2), 549-559.
18. Fırat, M., Yurdusev, M. A., Mermer, M. (2008). Uyarlamalı sinirsel bulanık mantık yaklaşımı ile aylık su tüketiminin tahmini. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 23(2), 449-457.
19. Gharehchopogh, F. S., Mohammadi, P., Hakimi, P. (2012). Application of decision tree algorithm for data mining in healthcare operations: a case study. International Journal of Computer Applications, 52(6), 21-26.
20. Gündüz, A. E., Temizel, A., Temizel, T. T. (2013). Feature detection and tracking for extraction of crowd Dynamics. Signal Processing and Communications Applications Conference, (21), 1-4.
21. Haltaş, A., Alkan, A. (2016). Medlıne veritabanı üzerinde bulunan tıbbi dökümanların kanser türlerine göre otomatik sınıflandırılması. Bilişim Teknolojileri Dergisi, 9(2), 181-186.
22. Hill, T., Marquez, L., O'Connor, M., Remus, W. (1994). Artificial neural network models for forecasting and decision making. International Journal of Forecasting, 10(1), 5-15.
23. Hoskins, J. C., Himmelblau, D. M. (1988). Artificial neural network models of knowledge representation in chemical engineering. Computers & Chemical Engineering, 12(9-10), 881-890.
24. Ion, R. M., Munteanu, D., Cocina, G. C. (2009). Concept of artificial neural network (ANN) and its application in cerebral aneurism with multi walls carbon nanotubes (MWCNT). In Proceedings of the 10th WSEAS international conference on Neural networks.
25. Karahan, M. (2015). Turizm talebinin yapay sinir ağaları yöntemiyle tahmin edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 20(2), 195-209.
26. Kaya, C., Erkaymaz, O., Ayar, O., Özer, M. (2017). Classification of diabetic retinopathy disease from Video-Oculography (VOG) signals with feature selection based on C4. 5 decision tree. Medical Technologies National Congress, 1-4.
27. Kaya, Y., Ertuğrul, Ö. F. (2016). Doküman dili tanıma için yeni bir öznitelik çıkarım yaklaşımı: ikili desenler. Journal of the Faculty of Engineering and Architecture of Gazi University, 31(4), 1085-1094.
28. Kayım, G., Sarı, C., Akgül, C. B., (2013). Facial feature selection for gender recognition based on random decision forests. Signal Processing and Communications Applications Conference, (21), 1-4.
29. Kaynar, O., Taştan, S., Demirkoparan, F. (2011). Yapay sinir ağlari ile doğalgaz tüketim tahmini. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 25, 463-47.
30. Kaynar, O. ve Taştan, S. (2009). Zaman serisi analizinde mlp yapay sinir ağları ve arıma modelinin karşılaştırılması. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (33), 161-172.
31. Khan, J., Wei, J. S., Ringner, M., Saal, L. H., Ladanyi, M., Westermann, F., ..., Meltzer, P. S. (2001). Classification and diagnostic prediction of cancers using gene expression profiling and artificial neural networks. Nature Medicine, 7(6), 673–679.
32. Mafarja, M., Aljarah, I., Faris, H., Hammouri, A. I., Ala’M, A. Z., Mirjalili, S. (2019). “Binary grasshopper optimisation algorithm approaches for feature selection problems. Expert Systems with Applications, 117, 267-286.
33. Nagy, H. M., Watanabe, K., Hirano, M. (2002) Prediction of sediment load concentration in rivers using artificial neural network model. Journal of Hydraulic Engineering, 128(6), 588-595.
34. Park, D. C., El-Sharkawi, M. A., Marks, R. J., Atlas, L. E., Damborg, M. J. (1991). Electric load forecasting using an artificial neural network. IEEE Transactions on Power Systems, 6(2), 442-449.
35. Partal, T., Kahya, E., Cığızoğlu, K. (2011). Yağış verilerinin yapay sinir ağları ve dalgacık dönüşümü yöntemleri ile tahmini. İTÜDERGİSİ/d, 7(3), 73-85.
36. Pençe, İ., Çetişli, B. (2013). El yazı karakterlerinin kapalı cebirsel eğrilerle modellenmesi ve sınıflandırılması. Sigma, 5, 1-7.
37. Polat, H., Özerdem, M. S. (2016), Görsel-işitsel uyaranlar kaynaklı oluşan duyguların eeg işaretleri ile sınıflandırılması. DÜMF Mühendislik Dergisi, 7(1), 33-40.
38. Selim, S., Demirbilek, A. (2009). Türkiye’deki konutlarin kira değerinin analizi: hedonik model ve yapay sinir ağlari yaklaşımı. Aksaray Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 1(1), 73-90.
39. Türkoğlu, İ., Arslan, A. (1996). Yapay sinir ağları ile bozuk örüntü tanıma. Fırat Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 8(1), 147-158.
40. Ulusoy, T. (2010) İmkb endeks öngörüsü için ileri beslemeli ağ mimarisine sahip yapay sinir ağı modellemesi. International Journal of Economic & Administrative Studies, 2(5), 21-40.
41. Yakut, E., Gemici, E. (2017). Lr, c5. 0, cart, dvm yöntemlerini kullanarak hisse senedi getiri sınıflandırma tahmini yapılması ve kullanılan yöntemlerin karşılaştırılması: Türkiye’de bıst’de bir uygulama. Ege Akademik Bakis, 17(4), 461-479.
42. Yoldaş, M., Şakar, M. O., Dirlikli, M., Kılınç, O. E. S. (2014). Mamografi imgelerinden HOG öznitelikleri çıkartılarak hastaların kanser seviyelerinin belirlenmesi. TMMOB EMO Ankara Şubesi Haber Bülteni İlk Bildiriler Konferansı, 14-16.
43. Zhang, Y., Ding, X., Liu, Y., Griffin, P. J. (1996). An artificial neural network approach to transformer fault diagnosis. IEEE Transactions on Power Delivery, 11(4), 1836-1841.