COMPARISON OF DIFFERENT DECISION TREE MODELS IN CLASSIFICATION OF ANGINA PECTORIS DISEASE

Abstract

Aim: The aim of this study is to classify Angina pectoris disease and compare the estimates of the methods by applying J48 and Random Forest methods, which are among the decision tree models, on the open access angina pectoris data set. Materials and Methods: In the study, the data set named "Project Angina Data Set" was obtained from https://www.kaggle.com/snehal1409/predict-angina. In the data set, there are a total of 200 patients in whom angina pectoris was evaluated. Decision tree models J48 and Random Forest methods were used to classify angina pectoris disease. Results: From the applied models, from the performance values obtained from the J48 method, the accuracy was 0.868, balanced accuracy 0.868, sensitivity 0.895, specificity 0.842, positive predictive value 0.85, negative predictive value 0.889 and F1-score 0.872. From the performance values obtained from the Random Forest method, the accuracy was 0.921, balanced accuracy 0.921, sensitivity 0.895, selectivity 0.947, positive predictive value 0.944, negative predictive value 0.9 and F1-score 0.919. Conclusion: Considering the findings obtained from this study, it has been shown that the decision tree models used give successful predictions in the classification of angina pectoris disease.

Keywords

• Classification
• decision trees
• J48
• Random Forest
• angina pectoris

References

1. [1] A. K. Şimşek and Ş. E. Alpar, "Akut Koroner Sendromlu Hastalarda Sağlıklı Yaşam Davranışlarının Kazandırılması," Turk J Cardiovasc Nurs, vol. 11, pp. 31-36, 2020.
2. [2] K. Y. EmIk and A. E. ÖNAL, "2009-2016 YILLARINDA TÜRKİYE’DEKİ ÖLÜMLERİN EPİDEMİYOLOJİK YÖNDEN İNCELENMESİ ve ÖLÜM BİLDİRİM SİSTEMİNİN ÖNEMİ," İstanbul Tıp Fakültesi Dergisi, vol. 82, pp. 25-26, 2019.
3. [3] B. Bayrak, S. Oğuz, S. Arslan, B. Candar, S. Keleş, B. Karagöz, et al., "Miyokard İnfarktüsü Geçirmiş Hastalarda Algılanan Stresin Belirlenmesi," Turk J Cardiovasc Nurs, vol. 10, pp. 129-137, 2019.
4. [4] G. A. Diamond, "A clinically relevant classification of chest discomfort," Journal of the American College of Cardiology, vol. 1, pp. 574-575, 1983.
5. [5] K. SOYLU, "Kararlı angina pektoris," Deneysel ve Klinik Tıp Dergisi, vol. 29, pp. 117-121, 2012.
6. [6] G. Silahtaroğlu, Veri madenciliği: Kavram ve algoritmaları: Papatya, 2013.
7. [7] H. Nizam and S. S. Akın, "Sosyal medyada makine öğrenmesi ile duygu analizinde dengeli ve dengesiz veri setlerinin performanslarının karşılaştırılması," XIX. Türkiye'de İnternet Konferansı, 2014.
8. [8] B. DAġ and A. VAROL, "2D: 4D Sayısal Parmak Oranına Göre Bireylerin Kişilik Durumlarının Sınıflandırılması," 2013.

9. [9] L. Breiman, "Random forests," Machine learning, vol. 45, pp. 5-32, 2001.
10. [10] Available: https://www.kaggle.com/snehal1409/predict-angina
11. [11] S. K. Murthy, "Automatic construction of decision trees from data: A multi-disciplinary survey," Data mining and knowledge discovery, vol. 2, pp. 345-389, 1998.
12. [12] R. Lior, Data mining with decision trees: theory and applications vol. 81: World scientific, 2014.
13. [13] G. I. Salama, M. Abdelhalim, and M. A.-e. Zeid, "Experimental comparison of classifiers for breast cancer diagnosis," in 2012 Seventh International Conference on Computer Engineering & Systems (ICCES), 2012, pp. 180-185.
14. [14] B. Daş and İ. Türkoğlu, "DNA dizilimlerinin sınıflandırılmasında karar ağacı algoritmalarının karşılaştırılması," Elektrik-Elektronik-Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu (ELECO 2014), pp. 381-383, 2014.
15. [15] C. Slıub, "Angina pectoris and coronary heart disease. RO Brandenburg (ed.) Cardiology: Fundarncntals and Practice. New York," Year Book Medical Publ, 1987.
16. [16] U. D. E. B. KAYA and K. AYTEMİR, "Anjina Pektoris Tedavisi."
17. [17] T. F. Imran, R. Malapero, A. H. Qavi, Z. Hasan, B. de la Torre, Y. R. Patel, et al., "Efficacy of spinal cord stimulation as an adjunct therapy for chronic refractory angina pectoris," International journal of cardiology, vol. 227, pp. 535-542, 2017.
18. [18] D. K. HANCI, "Perkütan Koroner Girişim Yapılan Hastalarda Stent Balonu Dilatasyonu Sırasında Angina Gelişme Sıklığı, Yeri, Karakteri Ve Angina Lokalizasyonunun Koroner Anatomi İle İlişkisi," Kardiyoloji Uzmanlık Tezi, KOCAELİ ÜNİVERSİTESİ, TIP FAKÜLTESİ, 2020.
19. [19] E. Atılgan, "Karayollarında meydana gelen trafik kazalarının karar ağaçları ve birliktelik analizi ile incelenmesi," Hacettepe Üniversitesi Istatistik Anabilimdalı Yayınlanmamış Yüksek Lisans Tezi, 2011.
20. [20] J. Han, J. Pei, and M. Kamber, Data mining: concepts and techniques: Elsevier, 2011.
21. [21] M. Akman, "Veri madenciliğine genel bakış ve random forests yönteminin incelenmesi: sağlık alanında bir uygulama," Unpublished master’s thesis). Ankara University, Ankara, 2010.
22. [22] G. Silahtaroğlu, "Veri madenciliği," Papatya Yayınları, İstanbul, 2008.
23. [23] A. ALTIKARDEŞ, H. Erdal, B. Fevzi, and A. S. Fak, "ABPM Ölçümü Olmaksızın Karar Ağaçları Algoritması ile Non-Dipper/Dipper Öngörüsü."
24. [24] Ö. Akar and O. Güngör, "Classification of multispectral images using Random Forest algorithm," Journal of Geodesy and Geoinformation, vol. 1, pp. 105-112, 2012.