A new clinical decision support system with instance based ensemble classifiers

Öz

The main reason of obesity occurring in the future years is strongly related with the lifestyle and eating
habits in childhood. This study focuses on developing an urgent precaution system which calculates the
obesity risks. An original clinical decision support system (CDSS) has been developed by using Ensemble
Classification methods in Machine Learnings. A questionnaire has been prepared and applied to the
patients in the hospitals and to the elementary school students with official permissions in order to
construct an original and reliable dataset. Extended versions of k Nearest Neighbors methods are used in
Voting, Bagging, Boosting and Random Subspaces algorithms as base learners. During the experimental
studies in the applications of cross validation procedures, successful results have been computed and
Random Subspaces has been chosen as the most successful algorithm with 0.839 MCC (Matthews
Correlation Coefficient) scores. With the help of the suggested model to a worldly wide health problem,
the future probability of obesity risk for a child might be easily determined. Additionally, it has been
enabled that some precautions can be taken by responsible people if there is a computed high risk for this
child.

Anahtar Kelimeler

• Machine learning
• ensemble methods
• classification

Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi

Öz

Çocukluk yıllarındaki beslenme ve yaşam alışkanlıkları ileri yaşlarda ortaya çıkabilecek obezite
hastalığının nedenini oluşturur. Bu çalışma çocuklarda obeziteye yakalanma riskini hesaplayan bir erken
uyarı sisteminin geliştirilmesi üzerinedir. Makine öğrenmesi kolektif öğrenme algoritmaları kullanılarak
yapay ve özgün bir klinik karar destek sistemi (KKDS) geliştirilmiştir. Obeziteye neden olan faktörler
hazırlanan anket içerisine yerleştirmiştir. Devlet hastanelerinden ve okullarından alınan resmi izinlerle
anketler çocuklara uygulanmış ve elde edilen verilerle güvenilir bir eğitim seti oluşturulmuştur. k En Yakın
Komşuluk algoritmasının geliştirilmiş versiyonları Oylama, Bagging, Boosting ve Rastsal Altuzaylar
yöntemlerinde tekil öğrenici olarak kullanılmıştır. Eğitim seti üzerinde yapılan öğrenme ve çapraz
geçerleme işlemlerinde algoritmalara ait yüksek doğruluk oranları elde edilmiş ve en başarılı yöntemin
0,839’lık MCC (Matthews Correlation Coefficient) değeriyle Rastsal Altuzaylar olduğu görülmüştür.
Çağın önemli bir sorununa karşı önerilen bu model sayesinde, ileri yaşlarda oluşabilecek obezite riski
önceden tespit edilebilmektedir. Ayrıca ilgili kişiler tarafından gerekli önlemlerin zamanında alınabilmesi
sağlanmaktadır.

Anahtar Kelimeler

• Makine öğrenmesi
• kolektif öğrenme
• sınıflandırma

Kaynakça

1. Ulutaş A.P., Atla P., Say Z.A., Sarı E., Okul Çağındaki 6-18 Yaş Arasi Obez Çocuklarda Obezite Oluşumunu Etkileyen Faktörlerin Araştırılması, Zeynep Kamil Tip Bülteni, 45(4), 192-196, 2014.
2. Adnan M.H.M., Husain W., & Rashid N.A.A., A hybrid approach using Naïve Bayes and Genetic Algorithm for childhood obesity prediction, IEEE International Conference Computer & Information Science (ICCIS), Cilt 1, 281-285, Temmuz 2012.
3. Heydari S.T., Ayatollahi S.M.T., Zare N., Comparison of Artificial Neural Networks with Logistic Regression for Detection of Obesity, Journal of medical systems, 36(4), 2449-2454, 2012.
4. Manna S., Jewkes A.M., Understanding early childhood obesity risks: An empirical study using fuzzy signatures, IEEE International Conference In Fuzzy Systems (FUZZ-IEEE), 1333-1339, 2014.
5. Kóczy L.T., Vámos T., Biró G, Fuzzy Signatures, 2nd International Conference on Soft and Intelligent Computing EUROPUSE-SIC, Budapeşte, 210–217, 1999.
6. Dugan T.M., Mukhopadhyay S., Carroll A., Downs S., Machine Learning Techniques for Prediction of Early Childhood Obesity, Applied clinical informatics, 6(3), 506-520, 2015.
7. Uskun E., Öztürk M., Kişioğlu A.N., Kırbıyık S., Deömirel, R., İlköğretim Öğrencilerinde Obezite Gelişimini Etkileyen Risk Faktörleri, S.D.Ü. Tıp Fakültesi Dergisi, 12(2), 19-25, 2005.
8. Bulut F. Study of Obesity: Identifying Risk Rate of Obesity with Instance Based Ensemble Classifiers. https://sites.google.com/site/bulutfaruk/study-of-obesity. Erişim tarihi Kasım 1, 2016.

9. Yılmaz A.A., Özaydın E., Demirel F., Kös, G. Obez Adölesanlarda Obezite Gelişimini Belirleyen Faktörlerin ve Metabolik Sendrom Varlığının Retrospektif Olarak Değerlendirilmesi, Türkiye Çocuk Hastalıkları Dergisi, 1-5, 2015.
10. Biudnik M., Pozniak I., Koszalka L., The Usage of the k-Nearest Neighbour Classifier with Classifier Ensemble, 12th International Conference on Computational Science and Its Applications (ICCSA), 170-173, Haziran 2012.
11. Chen P., Wang Y., Optimized KD Tree Application in Instance-Based Learning, Fifth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD'08), Shandong, 187-191, 2008.
12. Bulut F., & Bucak İ.Ö., An urgent precaution system to detect students at risk of substance abuse through classification algorithms, Turkish Journal of Electrical Engineering & Computer Sciences, 22(3), 690-707, 2014.
13. Bulut F., Amasyali M.F., Locally adaptive k parameter selection for nearest neighbor classifier: one nearest cluster, Pattern Analysis and Applications, Springer London, DOI 10.1007/s10044-015-0504-0, 1-11, 2015.
14. Zhou Z.H., Machine Learning Pattern Recognition Series, Ensemble Methods: Foundations and Algorithms, CRC Press, ISBN: 978-1439830031, 2012.
15. Zhou Z. H., Ensemble learning, Encyclopedia of Biometrics, Berlin Springer, 411-416, 2015.
16. Freund Y., A short introduction to boosting, Journal-Japanese Society For Artificial Intelligence, 14(1), 771-780, 1999.
17. Mayr A., Binder H., Gefeller O., & Schmid M., The evolution of boosting algorithms, Methods of information in medicine, 53(6), 419-427, 2014.
18. Breiman L., Bias, Variance, and Arcing Classifiers, Technical Report, Statistics Department, University Of California, Berkeley, 1996.
19. Tetik Y.E., Gürültülü Ortamlarda Konuşma Tespiti İçin Yenibir Öznitelik Çıkarım Yöntemi, Elektrik-Elektronik ve Bilgisayar Sempozyumu, Fırat Üniversitesi-Elazığ, 86-89, 2011.
20. Ho T.K., The Random Subspace Method for Constructing Decision, IEEE Transactions on Pattern Analysis and Machine Intelligence, Lucent Tech no l., AT&T Bell Labs., Murray Hill, 20(8), 832-844, 1998.
21. Ho T.K., Lecture Notes in Computer Science, Nearest neighbors in random subspaces, Advances in Pattern Recognition, Springer Berlin Heidelberg, 640-648, 1998.
22. Alpaydın E., Yapay Öğrenme Kitabı, Boğaziçi Yayınları, Birinci Basım, ISBN: 9786054238491, 416-417, Mart 2011.
23. Liu Y., Cheng J., Yan,C., Wu X., Chen F., Research on the Matthews Correlation Coefficients Metrics of Personalized Recommendation Algorithm Evaluation, International Journal of Hybrid Information Technology, 8(1), 163-172, 2015.
24. Akben S.B., Alkan A., Öznitelikler Arası Korelasyonun Düşük Olduğu Veri Kümelerinde Sınıflandırma Başarısını Artırmak İçin Yoğunluk Temelli Öznitelik Oluşturma, Journal of the Faculty of Engineering and Architecture of Gazi University, 30(4), 597-603, 2015.
25. Blakemore A.I.F., Buxton J.L., Obesity, Genetic Risk, and Environment, BMJ-British Medical Journal, doi:10.1136/bmj.g1900, Cilt 348, 2014.
26. Puth M.T., Neuhäuser M., Ruxton G.D., Effective use of Pearson's product–moment correlation coefficient, Animal Behaviour, Cilt 93, 183-189, 2014.
27. Asuero A.G., Sayago A., Gonzalez A.G., The Correlation Coefficient: An Overview, Critical Reviews in Analytical Chemistry, 36(1), 41-59, 2006.
28. Haltaş A., Alkan A., Karabulut M., Metin Sınıflandırmada Sezgisel Arama Algoritmalarının Performans Analizi, Journal of the Faculty of Engineering and Architecture of Gazi University, 30(3), 417-427, 2015.