LASSO+LR: Zeka geriliği olan çocukların tanısında kullanılan WISC-R test puanlarının makine öğrenimi yöntemleri kullanarak incelenmesi

Öz

Uygun tedavi ve eğitim ile zekâ geriliği olan çocukların daha kaliteli bir hayat sürmeleri mümkündür. Elbette uygun tedavi ve eğitim için öncelikle doğru teşhis gereklidir. Çocuklarda zekâ geriliği teşhisi WISC-R testi ile yapılabilmektedir. Bu test Sözel ve Performans bölümlerinden oluşmaktadır. Bu 2 bölümde 5’er tane alt soru mevcuttur ve bu sorular ile çocukların zekâsına yönelik çeşitli bilgiler elde edilebilir. Alt gruptaki sorulardan Toplam Sözel ve Toplam Performans puanları, bunlardan da Toplam WISC-R puanı elde edilmektedir. WISC-R testi bir uzman tarafından uygulanmakta olup, uzmanın deneyimi doğru puanlama için oldukça önemlidir. Bilgisayar yazılımları kullanarak uzman karar destek sistemleri oluşturulması, bilim insanları tarafından yoğun şekilde araştırılmakta ve artık uygulamaya yönelik çalışmalar başlatılmıştır. Bu bilgisayar destekli yapay zekâ uygulamaları çok sayıda veri ile eğitilmesinden dolayı objektif bir yaklaşım sunmaktadır. Böylece otomatik teşhislerde insan hataları minimize edilebilir. Bu çalışmada, WISC-R test puanlarının çocuklardaki zekâ geriliği teşhisi üzerindeki ilişkisi makine öğrenmesi temelli olarak araştırılmaktadır. Bu yöntemler literatürde özellik seçimi olarak adlandırılmakla beraber Lasso, Gini ve Permütasyon hesaplama olmak üzere 3 farklı algoritma ile hesaplanabilmektedir. Bizim çalışmamızda da bu üç yöntemde ayrı ayrı özellik seçimi yapılmıştır. Bu üç yöntemin üst başlığı olarak Embedded Özellik Seçimidir. Embedded yöntemler, özellik seçimi yapmanın yanı sıra seçilen özellikleri kullanarak teşhise yönelik yapay zekâ temelli makine öğrenmesi yöntemlerini kullanarak otomatik sınıflandırmada yapmaktadır. Lasso özellik seçimi Lojistik Regresyon (LR) ile sınıflandırma yaparken, Gini ve Permütasyon Rastgele Orman (RF) ile sınıflandırma yapmaktadır. Çalışmanın sonuçları genel olarak incelendiğinde Toplam WISC-R puanı özellik olarak üç özellik seçme yönteminde seçilirken, Sözel puan türleri Gini ve Permütasyon yöntemlerinde düşük değere sahip olarak hesaplanmıştır. Seçilen özellikler ile yapılan sınıflandırma da: Lasso + LR = 0.97, Gini + RF = 0.87, Permutation + RF = 0.91 doğruluk hesaplaması yapılmıştır. 0.97 doğruluk hesabı yapılan Lasso + LR yönteminde, diğerlerine göre daha fazla özellik kullanılmıştır.

Anahtar Kelimeler

• WISCR
• Çocuklarda zeka geriliği
• Özellik seçimi

LASSO+LR: Investigation of WISC-R test scores using machine learning methods used in the diagnosis of children with mental retardation

Öz

Anahtar Kelimeler

• WISCR
• Mental retardation on children
• Feature selection
• Machine learning

Kaynakça

1. 1. Tassé, M. J., Luckasson, R., & Nygren, M. A., AAIDD Proposed Recommendations for ICD–11 and the Condition Previously Known as Mental Retardation. Intellectual and Developmental Disabilities. 2013.
2. 2. Ewer, Diagnostic and Statistical Manual of Mental Disorders, 5th Edition. In American Psychiatric Publishing, Inc. eBooks. American Psychiatric Publishing, Inc., 2013.
3. 3. Whitaker, S., WISC‐IV and low IQ: review and comparison with the WAIS‐III. Educational Psychology in Practice, 24 (2), 129–137, 2008.
4. 4. Savaşır, I. ve Şahin, N., Wechsler Çocuklar İçin Zekâ Ölçeği uygulama kitapçığı. Ankara: Türk Psikologlar Derneği, 1995.
5. 5. Bulut C., Ballı T., Yetkin E.F., Comparative classification performances of filter model feature selection algorithms in EEG based brain computer interface system, Journal of the Faculty of Engineering and Architecture of Gazi University, 38 (4), 2397–2408, 2023.
6. 6. Ren, K., Fang, W., Qu, J., Zhang, X., Shi, X., Comparison of eight filter-based feature selection methods for monthly streamflow forecasting – three case studies on camels data sets. Journal of Hydrology, 586, 124897, 2020.
7. 7. Thabtah, F., Kamalov, F., Hammoud, S., Shahamiri, S. R., Least loss: A simplified filter method for feature selection. Information Sciences, 534, 1–15, 2020.
8. 8. Zhao, L., Li, Y., Li, S., Ke, H., A frequency item mining based embedded feature selection algorithm and its application in energy consumption prediction of electric bus. Energy, 271, 126999, 2023.

9. 9. Deng, T., Huang, Y., Yang, G., Wang, C., Pointwise mutual information sparsely embedded feature selection. International Journal of Approximate Reasoning, 151, 251–270, 2022.
10. 10. Wang, Q., Yue, C., Li, X., Liao, P., Li, X., Enhancing robustness of monthly streamflow forecasting model using embedded-feature selection algorithm based on improved Gray Wolf optimizer. Journal of Hydrology, 617, 128995, 2023.
11. 11. Xing, J., Zhou, X., Zhao, H., Chen, H., Heidari, A. A., Elite levy spreading differential evolution via ABC shrink-wrap for multi-threshold segmentation of breast cancer images. Biomedical Signal Processing and Control, 82, 104592, 2023.
12. 12. Abbasi, M. S., Al-Sahaf, H., Mansoori, M., Welch, I., Behavior-based ransomware classification: A particle swarm optimization wrapper-based approach for feature selection. Applied Soft Computing, 121, 108744, 2022.
13. 13. Bajer, D., Dudjak, M., Zoric, B.,Wrapper-based feature selection: How important is the wrapped classifier? 2020 International Conference on Smart Systems and Technologies (SST), 2020.
14. 14. Taşdedir, M.Ö ve Ergül, C., WISC-R Temelinde Üstün Yeteneklilik Profil Analizi: Ankara İli Örneği* Ankara Üniversitesi Eğitim Bilimleri Fakültesi, 16 (3), 271-289. 10.1501/Ozlegt_0000000232, 2015.
15. 15. Çelik, C., Erden, G., Özmen S., Hesapçıoğlu Tural, S., Dikkat Eksikliği Hiperaktivite Bozukluğu’nda Wechsler Çocuklar İçin Zekâ Ölçeği’nin İki Sürümünün Karşılaştırılması ve Okuma Becerilerinin Değerlendirilmesi. Türk Psikiyatri Dergisi, 28 (2), 104-16, 2017.
16. 16. Yektaş, Ç. ve Kaplan, E.S., Bir Üniversite Hastanesi Çocuk Ergen Ruh Sağlığı ve Hastalıkları Birimi’ne Başvuran Hastaların Sağlık Kurulu Raporlarının Değerlendirilmesi. Konuralp Tıp Dergisi, 9 (3), 228-232, 2017.
17. 17. Altun, S., Alkan, A., Altun, H., The investigation of WISC-R profiles in children with border intelligence and intellectual disability with machine learning algorithms, Gazi University Journal of Science, 27 (5), 589-596, 2021.
18. 18. Hu, J., Pan, K., Song, Y., Wei, G., Shen, C., An improved feature selection method for classification on incomplete data: Non-negative latent factor-incorporated duplicate mic. Expert Systems with Applications, 212, 118654, 2023.
19. 19. Zhou, L., Si, Y.-W., Fujita, H., Predicting the listing statuses of Chinese-listed companies using decision trees combined with an improved filter feature selection method. Knowledge-Based Systems, 128, 93–101, 2017.
20. 20. Salati M., Askerzade İ., Bostancı G.E., Convolutional neural network models using metaheuristic based feature selection method for intrusion detection, Journal of the Faculty of Engineering and Architecture of Gazi University, 40 (1), 179-188, 2025.
21. 21. Guo, H., Ma, J., Wang, R., Zhou, Y., Feature library-assisted surrogate model for evolutionary wrapper-based feature selection and classification. Applied Soft Computing, 110241, 2023.
22. 22. Fu, Y., Liu, X., Sarkar, S., Wu, T., Gaussian mixture model with feature selection: An embedded approach. Computers Industrial Engineering, 152, 107000, 2021.
23. 23. Şafak E., Barışçı N., Real-time fire and smoke detection for mobile devices using deep learning, Journal of the Faculty of Engineering and Architecture of Gazi University, 38 (4), 2179–2190, 2023.