Comparison of Classification Algorithms on The Estimation of Anesthesia Types

Yıl 2021, Cilt: 10 Sayı: 4, 869 - 875, 29.12.2021

Gizem Boztaş Esra Özmen Ersin Karaman

https://doi.org/10.37989/gumussagbil.850039

Öz

Data mining methods enable the creation of possible estimates as necessary as a result of the classification, clustering, or interrelation of data obtained in many areas such as advertising, trade, health, entertainment, production, military space. The performance rating of the forecast is extremely important. Therefore, it is important to predict which algorithms are better in data mining methods. In this study, data obtained from 300 pregnant women who delivered by cesarean section in Erzurum Nenehatun Gynecology Hospital were applied to C4.5, regression tree, random forest, support vector machines and k-nearest neighbor algorithms. Estimation success of the type of anesthesia used in cesarean delivery method was compared. Accuracy, precision, precision and F criteria were taken into account when performing performance comparisons of classification algorithms. At the end of the study, the accuracy, sensitivity and maximum performance support of the type of anesthesia used in the cesarean delivery method belongs to the support vector machines. According to the accuracy criterion, the highest performance ratio belongs to random forest algorithm.

Anahtar Kelimeler

Classification algorithms, Estimation, Data mining

Sınıflandırma Algoritmalarının Anestezi Türünün Tahminlemesi Üzerine Karşılaştırılması

Öz

Veri madenciliği yöntemleri, reklam, ticaret, sağlık, eğlence, üretim, askeri gibi birçok alanda elde edilen verilerin sınıflandırılması, kümelenmesi ya da birbirleri ile ilişkilendirilmesi sonucunda gerektiğinde ileriye dönük tahminler oluşturmayı sağlamaktadır. Yapılacak tahminlemenin başarım derecesi ise son derece önemlidir. Bundan dolayı veri madenciliği yöntemlerinde bulunan algoritmaların hangisinin daha iyi sonuç verdiği tahminleme açısından önem arz etmektedir. Bu çalışmada Erzurum Nenehatun Kadın Doğum Hastanesi’nde sezaryen yöntemiyle doğum yapan 300 gebeden elde edilen veri setine sınıflandırma algoritmalarından C4.5, regresyon ağacı, random forest, destek vektör makineleri ve k-en yakın komşu algoritmaları uygulanarak sezaryenle doğum yönteminde ku1llanılan anestezi türünün tahminleme başarıları karşılaştırılmıştır. Sınıflandırma algoritmalarının başarım karşılaştırmaları yapılırken doğruluk, kesinlik, duyarlılık ve F-ölçütü göz önünde bulundurulmuştur. Çalışma sonucunda sezaryenle doğum yönteminde kullanılan anestezi türünün tahminleme başarılarında doğruluk, duyarlık ve F-ölçütüne göre en yüksek başarımı destek vektör makineleri sağlarken; kesinlik ölçütüne göre random forest algoritması en yüksek başarım oranını sağlamıştır.

Anahtar Kelimeler

Sınıflandırma algortimaları, Tahminleme, Veri madenciliği

Kaynakça

• Argüden, Y. ve Erşahin, B. (2008). “Veri Madenciliği: Veriden Bilgiye” Masrafdan Değere”. İstanbul: Alkim Kağıt Sanayi ve Ticaret A.Ş.
• Kale, B. ve Yüksel G. (2020). “Veri Madenciliği Sınıflandırma Algoritmaları İle E-posta Önemliliğinin Belirlenmesi”. Ç.Ü Fen ve Mühendislik Bilimleri Dergisi, 39 (9), 109-116.
• Demirci, E. ve Karaatlı, M. (2019). “Ülkelerin Gelişmişlik Seviyelerinin Tahmininde Kullanılan Sınıflandırma Algoritmalarının Karşılaştırılması”. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 24 (3), 703-714.
• Daş, B. ve Türkoğlu, İ. (2014). “DNA Dizilimlerinin Sınıflandırılmasında Karar Ağacı Algoritmalarının Karşılaştırılması”. Elektrik - Elektronik - Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu (ELECO 2014), (s.381-383). Bursa.
• Daş, B. ve Türkoğlu, İ. (2014). “DNA Dizilimlerindeki Nükleotit Çiftlerinin Frekans Değerlerine Göre Farklı Sınıflandırma Yöntemleri ile Karşılaştırılması”. Tıp Teknolojileri Ulusal Kongresi, (s.191-194). Kapadokya.
• Coşkun, C. ve Baykal, A. (2011). “Veri Madenciliğinde Sınıflandırma Algoritmalarının Bir Örnek Üzerinde Karşılaştırılması”. Akademik Bilişim’11 - XIII. Akademik Bilişim Konferansı Bildirileri, (s.51-58), Malatya.
• Öztad, E. (2020). “Meme Kanseri Tespitinde Sınıflandırma ve Sinir Ağları Yöntemlerinin Karşılaştırılması”. İleri Mühendislik Çalışmaları ve Teknolojileri Dergisi, 1 (1), 49-54.
• Çomak, E. (2004). “Destek Vektör Makineleri Çoklu Sınıf Problemleri İçin Çözüm Önerileri”. Yüksek Lisans Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
• Yılmaz, Ö, Ankaralı, H, Aydın, D. ve Saraçlı, Ö. (2013). “Tıbbi Tahminde Alternatif Bir Yaklaşım: Destek Vektör Makineleri”. Türkiye Klinikleri Biyoistatistik, 5(1), 19.
• Çalışkan, S. ve Soğukpınar, İ. (2008). “KNN: K-Means ve K-En Yakın Komşu Yöntemleri İle Ağlarda Nüfuz Tespiti”. 2. Ağ ve Bilgi Güvenliği Sempozyumu, (120-124).
• Taşcı, E. ve Onan, A. (2016). “K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi”. Akademik Bilişim.
• Özkan, K. (2012). “Sınıflandırma ve Regresyon Ağacı Tekniği (SRAT) ile Ekolojik Verinin Modellenmesi”. Turkish Journal of Forestry, 13(1), 1-4.
• Breiman, L, Friedman, J.H, Olshen, R.A. and Stone, C.J. (1984). “Classification and Regression Trees. Monterey”, CA: Wadsworth & Brooks/Cole Advanced Books & Software.
• Kökver, Y, Barışçı, N, Çiftçi, A. ve Ekmekçi, Y. (2014). “Hipertansiyona Etki Eden Faktörlerin Veri Madenciliği Yöntemleriyle İncelenmesi”. E-Journal of New World Sciences Academy, 15-25.
• Danacı, M, Çelik, M. ve Akkaya, A.E. (2010). “Veri Madenciliği Yöntemleri Kullanılarak Meme Kanseri Hücrelerinin Tahmin ve Teşhisi”. Akıllı sistemlerde Yenilikler ve Uygulamaları Sempozyumu ASYU’2010 (s.21-24).
• Ok, A, Akar, Ö. ve Güngör, O. (2019). “Rastgele Orman Sınıflandırma Yöntemi Yardımıyla Tarım Alanlarındaki Ürün Çeşitliliğinin Sınıflandırılması”. Erişim adresi: https://www.researchgate.net (Erişim tarihi: 14 Ocak 2019).
• Pal, M. (2005). “Random Forest Classifier for Remote Sensing Classification”. International Journal of Remote Sensing, 26 (1), 217-222.
• Selçukcan-Erol, Ç. (2016). “Sağlık Bilimlerinde R ile Veri Madenciliği”. In: M.E. Balaban, E. Kartal (Ed.). R ile Veri Madenciliği Uygulamaları (s.26). İstanbul: Çağlayan Kitabevi.
• Altunkaynak, B. (2017). “Veri Madenciliği Yöntemleri ve R Uygulamaları”. Ankara: Seçkin Yayıncılık.
• Powers, M.W. (2011). “Evaluation: From "Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation”. Journal of Machine Learning Technologies, 2 (1), 37-63.