Relief Özellik Seçim Yöntem Tabanlı Önerilen Hibrit Model ile Kalp Hastalığı Teşhisi

Öz

Bilgi teknolojileri insan hayatının ve günlük yaşantının her alanında önemli bir yer kaplamaktadır. Günümüzde bilgi sistemleri ve teknoloji sayesinde insan sağlığından, endüstriyel ve ekonomik alanlara kadar her alanda fayda sağlanmaktadır. Kan damar hastalıkları, kalp ritmi problemleri ve bunların yanında doğuştan gelen kalp kusurları insan hayatı için önemli ölçüde risk taşıyan kalp hastalıkları başlığı altında yer almaktadır. Bu çalışmada, kalp hastalıklarının cinsiyet, göğüs ağrısı, kolesterol gibi özellikler ele alınarak sık kullanılan makine öğrenmesi yöntemleri olan logistik regresyon (LR), karar ağaçları (KA), çok katmanlı yapay sinir ağları (YSA), K-en yakın komşular (KNN), naif bayes (NB), destek vektör makineleri (SVM) ile Relief özellik çıkarım yöntem tabanlı hibrit bir yöntem önerilerek kalp hastalıkları için tespit analizi yapılmıştır. Uygulanan yöntemlerin performans değerleri birbirleri ile karşılaştırılarak ilgili problem için optimum model ortaya konmuştur. Yapılan değerlendirmeler sonucunda ise önerilen hibrit modelin diğer makine öğrenmesi yöntemlerine göre hem doğruluk performans ölçütleri hem de zamansal açıdan daha iyi sonuç verdiği gözlemlenmiştir.

Anahtar Kelimeler

• Makine öğrenmesi
• Relief özellik çıkarım
• Hibrit model
• Kalp hastalığı

Diagnosis of Heart Disease with Proposed Hybrid Model Based on Relief Feature Selection

Abstract

Information technologies occupy an important place in all areas of human life and daily life. Today, when it comes to information systems and technology, benefits are provided in every field from human health to industrial and economic fields. Blood vessel diseases, heart rhythm problems and congenital heart defects are heart diseases that pose a great risk to human life. In this study, the most widely applied machine learning algorithms such as logistic regression (LR), decision trees (DT), multilayer artificial neural networks (ANN), K-nearest neighbors (K-NN), naive bayes (NB), support vector machines (SVM) were used and proposed Relief feature selection-based hybrid method. The characteristics of heart diseases such as gender, chest pain, cholesterol was considered by using these methods and the results were discussed. The performance values of the applied methods were compared with each other and the optimum model for the related problem was revealed. As a result of the evaluations, it was observed that the proposed hybrid model was achieved better results than other machine learning methods in terms of both accuracy performance measures and process time.

Keywords

• Machine learning
• Relief feature extraction
• Hybrid model
• Heart disease.
• Heart disease

Kaynakça

1. T.C. Sağlık Bakanlığı Temel Sağlık Hizmetleri Genel Müdürlüğü (2015). Türkiye Kalp ve Damar Hastalıklarını Önleme ve Kontrol Programı 2015-2020.
2. Bulut, F. (2010). Madde Bağımlısı Olma Riski Altında Olan Öğrencilerin Veri Madenciliği Sınıflandırma Algoritmalarıyla Tespit Edilmesi. Yüksek Lisans Tezi, İstanbul Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
3. Kartal, E. (2015). Sınıflandırmaya Dayalı Makine Öğrenmesi Teknikleri ve Kardiyolojik Risk Değerlendirmesine İlişkin Bir Uygulama. Doktora Tezi, İstanbul Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
4. Boyraz, ÖF., Seymen, V., Bozkurt, MR., Çetin Ö. (2014). Makine Öğrenmesi Algoritmaları Kullanılarak Kalp Hastalığı Tespiti. Internatıonal Conference On Educatıon In Mathematıcs, Scıence & Technology (Icemst 2014), Konya, Türkiye.
5. Anbarasi, IN. (2010). Enhanced Prediction of Heart Disease with Feature Subset Selection Using Genetic Algorithm. International Journal of Engineering Science and Technology. 2, 5370-5376.
6. Srinivas, K., Rani B., Govrdhan, KA. (2010). Applications of Data Mining Techniques in Healthcare and Prediction of Heart Attack. International Journal on Computer Science and Engineering (IJCSE), 2, 250-255.
7. Palaniappan, S., Awang, R. (2008). Intelligent Heart Disease Prediction System Using Data Mining Techniques. IEEE/ACS International Conference on Computer Systems and Applications, 108-115.
8. Lichman, M. (2015). UCI Machine Learning Repository, Irvine, CA, University of California, School of Information and Computer Science. [http,//archive.ics.uci.edu/ml], 108-115.

9. Chandna, D. (2014). Diagnosis Of Heart Disease Using Data Mining Algorithm. Int. J. Comput. Sci. Inf. Technol (IJCSIT), 5, 1678-1680.
10. Jin, Z., Sun, Y., Cheng, AC. (2009). Predicting Cardiovascular Disease From Real-Time Electrocardiographic Monitoring, An Adaptive Machine Learning Approach on a Cell Phone. Annual International Conference of the IEEE Engineering in Medicine and Biology Society 2009, 6889-6892.
11. V.A. Medical Center, Long Beach and Cleveland Clinic Foundation: Robert Detrano, M.D., Ph.D. [http://archive.ics.uci.edu/ml/machine-learning-databases/he art-disease], Erişim Tarihi: 03.09.2021
12. Vellido, A. (2020). The Importance of Interpretability and Visualization in Machine Learning For Applications in Medicine and Health Care. Neural Computing & Applications, 32(24), 18069-18083, December 2020.
13. Şenel, S., Alatlı, B. (2014). Lojistik Regresyon Analizinin Kullanıldığı Makaleler Üzerine Bir İnceleme. Journal of Measurement and Evaluation in Education and Psychology, 5 (1), 35-52. DOI: 10.21031/epod.67169
14. Field, A. (2005). Discovering statistics using SPSS (2nd ed.). London: Sage
15. Gök, M. (2017). Makine Öğrenmesi Yöntemleri ile Akademik Başarının Tahmin Edilmesi. Gazi üniversitesi Fen Bilimleri dergisi, C: Tasarım ve Teknoloji 5(3), 139 – 148
16. Irmak, S., Ercan, U. (2017). Karar Ağaçları Kullanılarak Türkiye Hane halkı Zeytinyağı Tüketimi Görünümünün Belirlenmesi. Uluslararası Yönetim İktisat ve İşletme Dergisi, 13(3), 553-564
17. Yılmaz, A. (2017). Yapay Zekâ, İstanbul, Kodlab.
18. Demir, H, Erdoğmuş, P, Kekeçoğlu, M. (2018). Destek Vektör Makineleri, YSA, K-Means ve KNN Kullanarak Arı Türlerinin Sınıflandırılması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 6 (1), 47-67. DOI: 10.29130/dubited.328596
19. Malhotra, R. (2015). A Systematic Review of Machine Learning Techniques for Software Fault Prediction. Elseiver Science Direct
20. Wang, MJ, Chen, HL. (2020). Chaotic Multi-Swarm Whale Optimizer Boosted Support Vector Machine For Medical Diagnosis. Applied Soft Computing, 88.
21. Güner, N, Çomak E. (2010). Mühendislik Öğrencilerinin Matematik I Derslerindeki Başarısının Destek Vektör Makineleri Kullanılarak Tahmin Edilmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 17(2), 87-96.
22. Budak, H. (2018). Özellik Seçim Yöntemleri ve Yeni Bir Yaklaşım. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22, 21-31.