Optimum parametreler yardımıyla performansı artırılmış KNN algoritması tabanlı kalp hastalığı tahmini

Yıl 2023, , 451 - 460, 21.06.2022

Hidayet Takcı

https://doi.org/10.17341/gazimmfd.977127

Cited By: 1

Öz

Kalp hastalıkları ölüm oranı bakımından bütün hastalıklar arasında ilk sırada yer alır. Hastalığın kesin tedavisi olmamakla birlikte doğru teşhis hastaların hayatta kalma süresi ve yaşam kalitesine olumlu yönde etki eder. Bugüne kadar kalp hastalıklarının teşhisi için çeşitli klinik yöntemler kullanılmıştır. Son dönemde hastalığın teşhisi için makine öğrenmesi algoritmaları da kullanılmaktadır. Bu kapsamda yaptığımız çalışmada kalp hastalığı teşhisi için KNN sınıflayıcı kullanılmıştır. Algoritmanın sınıflandırma başarısını iyileştirmek için optimum parametreler bulunmaya çalışılmıştır. KNN algoritması için ilk parametre uzaklık yöntemidir ve bu parametre için Manhattan, Euclidean, Chebyshev ve Cosine ölçümleri tercih edilmiştir. Diğer parametre komşu sayısıdır ve en uygun komşu sayısını tespit edebilmek için 1…15 arasındaki tek sayılar denenmiştir. Kalp hastalıklarını sınıflandırmak için kullandığımız KNN algoritması C++ programlama dilinde kodlanmış ve çalıştırılmıştır. Model değerlendirme aşamasında UCI Statlog (Heart) veriseti kullanılmış ve sonuçlar doğruluk ve ROC analizine dayalı olarak elde edilmiştir. KNN algoritması ile elde edilen en yüksek sınıflandırma doğruluğu %100 ve en yüksek AUC değeri 1,00 olarak ölçülmüştür. Bu değer; Chebyshev uzaklık ölçümü ve komşu sayısının 7 olduğu durumda elde edilmiştir.

Anahtar Kelimeler

kalp hastalık teşhisi, makine öğrenmesi, k en yakın komşu algoritması, parametre optimizasyonu

Kaynakça

• Referans1. İnternet: Heart Disease Facts, https://www.cdc.gov/heartdisease/facts.htm, 2019.
• Referans2. Tripoliti, E. E., Papadopoulos, T. G., Karanasiou, G. S., Naka, K. K., & Fotiadis, D. I., "Heart Failure: Diagnosis, Severity Estimation and Prediction of Adverse Events Through Machine Learning Techniques", Computational and Structural Biotechnology Journal, Cilt 15, 26-47, 2017.
• Referans3. Rajesh, N., T, M., Hafeez, S., & Krishna, H., “Prediction of Heart Disease Using Machine Learning Algorithms”, International Journal of Engineering & Technology, Cilt 7, No 2.32, 363, 2018.
• Referans4. Nashif, S., Raihan, M. R., Islam, M. R., & Imam, M. H., “Heart Disease Detection by Using Machine Learning Algorithms and a Real-Time Cardiovascular Health Monitoring System”, World Journal of Engineering and Technology, Cilt 6, No 4, 2018.
• Referans5. Shouman, M., Turner, T., & Stocker, R., "Using data mining techniques in heart disease diagnosis and treatment", Japan-Egypt Conference on Electronics, Communications and Computers, 2012.
• Referans6. Alzahani, S. M., Althopity, A., Alghamdi, A., Alshehri, B., & Aljuaid, S. “An Overview of Data Mining Techniques Applied for Heart Disease Diagnosis and Prediction”, Lecture Notes on Information Theory, Cilt 2, No 4, 2015.
• Referans7. Solanki, Y., “A Survey on Risk Assessments of Heart Attack Using Data Mining Approaches”, International Journal of Information Engineering and Electronic Business, Cilt 11, No 4, 2019.
• Referans8. Miao, K. H., & H., J., “Coronary Heart Disease Diagnosis using Deep Neural Networks”, International Journal of Advanced Computer Science and Applications, Cilt 9, No 10, 2018.
• Referans9. Amarbayasgalan, T., Park, K. H., Lee, J. Y., & Ryu, K. H., “Reconstruction error based deep neural networks for coronary heart disease risk prediction”, Plos One, Cilt 14, No 2, 2019.
• Referans10. Dwivedi, A. K., “Performance evaluation of different machine learning techniques for prediction of heart disease”, Neural Computing and Applications, Cilt 29, No 10, 2016.
• Referans11. Atkov, O. Y., Gorokhova, S. G., Sboev, A. G., Generozov, E. V., Muraseyeva, E. V., Moroshkina, S. Y., & Cherniy, N. N., “Coronary heart disease diagnosis by artificial neural networks including genetic polymorphisms and clinical parameters”, Journal of Cardiology, Cilt 59, No 2, 2012.
• Referans12. Karayilan, T., & Kilic, O., “Prediction of heart disease using neural network”, International Conference on Computer Science and Engineering (UBMK), 2017.
• Referans13. Abushariah, M. A. M., Alqudah, A. A. M., Adwan, O. Y., & Yousef, R. M. M., “Automatic Heart Disease Diagnosis System Based on Artificial Neural Network (ANN) and Adaptive Neuro-Fuzzy Inference Systems (ANFIS) Approaches”, Journal of Software Engineering and Applications, Cilt 7, No 12, 1055–1064, 2014.
• Referans14. Malav, A., Kadam, K., & Kamat, P., “PREDICTION OF HEART DISEASE USING K-MEANS and ARTIFICIAL NEURAL NETWORK as HYBRID APPROACH to IMPROVE ACCURACY”, International Journal of Engineering and Technology, Cilt 9, No 4, 3081–3085, 2017.
• Referans15. Dolatabadi, A. D., Khadem, S. E. Z., & Asl, B. M., “Automated diagnosis of coronary artery disease (CAD) patients using optimized SVM”, Computer Methods and Programs in Biomedicine, Cilt 138, 117–126, 2017.
• Referans16. Takci, H., “Improvement of heart attack prediction by the feature selection methods”, Turkish Journal Of Electrical Engineering & Computer Sciences, Cilt 26, 1–10, 2018.
• Referans17. Wiharto, W., Kusnanto, H., & Herianto, H., “Intelligence System for Diagnosis Level of Coronary Heart Disease with K-Star Algorithm”, Healthcare Informatics Research, Cilt 22, No 1, 30, 2016.
• Referans18. Chitra R., Seenivasagam V., “Knowledge Discovery from Heart Disease Dataset Using Optimized Neural Network. In: Prasath R., Kathirvalavakumar T. (eds) Mining Intelligence and Knowledge Exploration”, Lecture Notes in Computer Science, Vol 8284, Springer, Cham, 2013.
• Referans19. Yazid MA, Haikal S, Shukor T, Novi A., “Artificial neural network parameter tuning framework for heart disease classification”, Proc Electric Eng Comput Sci Inform, Vol 5, No 5, 674–679, 2018.
• Referans20. Pawlovsky A.P., “An ensemble based on distances for a kNN method for heart disease diagnosis”, In: 2018 International conference on electronics, information, and communication (ICEIC), IEEE, pp 1–4. 2018.
• Referans21. Mohan S., Chandrasegar T., Gautam S., “Effective heart disease prediction using hybrid machine learning techniques”, IEEE Access, Vol 7, 81542–81554, 2019.
• Referans22. Bramer, M. A., Principles of data mining, Springer, London, 2017.
• Referans23. Tan, P.-N., Steinbach, M., & Kumar, V., Introduction to Data Mining, Pearson Education, San Francisco, 2006.
• Referans24. İnternet: UCI Machine Learning Repository, http://archive.ics.uci.edu/ml, 2019.
• Referans25. Fawcett, T., “An introduction to ROC analysis”, Pattern Recognition Letters, Cilt 27, 861-874, 2006.