APPLICATIONS of REGRESSION ALGORITHMS in MACHINE LEARNING in VETERINARY MEDICINE

Yıl 2023, , 118 - 132, 30.12.2023

Volkan Türkmen , Doğukan Özen

https://doi.org/10.38137/vftd.1307581

Öz

Machine learning algorithms are becoming more and more essential as a result of the exponential growth of data, particularly the larger, more complicated datasets coming from emerging data sources like wearables, sensors, and internet-connected smart devices (IoT). In the field of veterinary medicine, as in every discipline, large volumes of data sets that conventional data processing tools cannot handle present new opportunities and have the ability to generate novel solutions for issues that have previously been insurmountable. Machine learning regression methods, which are widely found in the literature, are described in this study along with a few brief examples of how they might be used in veterinary medicine. Also, a brief mention is made of how these algorithms could have applications in veterinary medicine.

Anahtar Kelimeler

Machine learning, regression algorithms, veterinary medicine

MAKİNE ÖĞRENMESİNDE REGRESYON ALGORİTMALARININ VETERİNER HEKİMLİĞİ ALANINDA UYGULAMALARI

Öz

Hızla artan veriler, özellikle giyilebilir teknolojiler, sensörler ve internet bağlantılı akıllı ürünler (IoT) gibi yeni veri kaynaklarından akan daha büyük, daha karmaşık veri kümeleri makine öğrenmesi algoritmalarına olan ihtiyacı her geçen gün artırmaktadır. Geleneksel veri işleme yazılımlarının başa çıkamadığı büyük hacimli veri kümeleri her alanda olduğu gibi veteriner hekimlik alanında da yeni fırsatlar sunmakta ve daha önce üstesinden gelinemeyen sorunlar için yeni çözüm yolları üretebilme potansiyeline sahip olduğu görülmektedir. Bu derleme çalışmasında literatürde sıkça karşılaşılan makine öğrenmesi regresyon algoritmaları tanıtılmış ve veteriner hekimliği alanında uygulamalarına ilişkin kısa örnekler verilmiştir. Bunun yanında bu algoritmaların veteriner hekimliği alanındaki potansiyeline kısaca değinilmiştir.

Anahtar Kelimeler

Makine öğrenmesi, regresyon algoritmaları, veteriner hekimlik

Kaynakça

• Akay, E. Ç. (2018). Ekonometride Yeni Bir Ufuk: Büyük Veri ve Makine Öğrenmesi. Sosyal Bilimler Araştırma Dergisi, 7(2), 41-53.
• Akkol, S., Akıllı, A. & Cemal, İ. (2017). Kıl Keçilerinin Canlı Ağırlık Tahmininde Yapay Sinir Ağları ve Çoklu Doğrusal Regresyon Yöntemlerinin Karşılaştırılması. Yüzüncü Yıl Üniversitesi Tarım Bilimleri Dergisi, 27, 21-29.
• Akman, M. (2010). Veri Madenciliğine Genel Bakış ve Random Forest Yönteminin İncelenmesi: Sağlık Alanında Bir Uygulama. AÜ Sağlık Bilimleri Enstitüsü Biyoistatistik Ana Bilim Dalı Yüksek Lisans Tezi, Ankara.
• Alpar, R. (2011). Uygulamalı Çok Değişkenli İstatistiksel Yöntemler. 3üncü Baskı. Ankara: Detay Yayıncılık.
• Arat, B. (2021). Makine Öğrenmesi Model Performans Değerlendirme Yöntemleri. Erişim Adresi: https://berkarat.com/model-performans-degerlendirme-yontemleri/ Erişim Tarihi: 24.04.2021.
• Atalay, M. & Celik, E. (2017). Büyük Veri Analizinde Yapay Zekâ Ve Makine Öğrenmesi Uygulamaları - Artificial Intelligence and Machine Learning Applications in Big Data Analysis. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9, 155–172.
• Balta, A. (2018). Makine Öğrenmesi Teknikleri İle Ekolojik Verilerin Değerlendirilmesi. FÜ Fen Bilimleri Enstitüsü Ekobilişim Ana Bilim Dalı Yüksek Lisans Tezi, Elazığ.
• Basran, P. S. & Appleby, R. B. (2022). The unmet potential of artificial intelligence in veterinary medicine. American Journal of Veterinary Research, 83, 385-392.
• Bhattacharyya, S. (2018). Ridge and Lasso Regression: L1 and L2 Regularization. Erişim Adresi: https://medium.com/towards-data-science/ridge-and-lasso-regression-a-complete-guide-with-python-scikit-learn-e20e34bcbf0b/ Erişim Tarihi: 10.05.2023.
• Boser, E., Guyon, I. M. & Vapnik, V. (1992). A Training Algorithm for Optimal Margin Classifiers. In D. Haussler (Ed.), Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory (pp. 144-152). Pittsburgh, PA: ACM Press.
• Breiman, L., Friedman, J. H., Olshen, R. A. & Stone, C. J. (1984). Classification and Regression Tree. 1st ed. New York: Routledge.
• Breiman, L. (1996). Bagging predictors. Machine Learning, 24, 123-140.
• Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32.
• Bulut, M. A. (2019). Kredi Analizinde Makine Öğrenmesi Kullanımı: Tarımsal Kredilerde Uygulama Örneği. OÜ Sosyal Bilimler Enstitüsü İşletme Ana Bilim Dalı İşletme Bilim Dalı Doktora Tezi, Eskişehir.
• Ceylan, T. (2018). Perakende Sektöründe Makine Öğrenmesine Dayalı Yaklaşımlar. YTÜ Fen Bilimleri Enstitüsü İstatistik Ana Bilim Dalı İstatistik Bilim Dalı Yüksek Lisans Tezi, İstanbul.
• Chen, T. & He, T. (2014). Higgs Boson Discovery with Boosted Trees. Proceedings of the International Conference on High-Energy Physics and Machine Learning, Montreal, Canada, 2014, 69–80.
• Chen, X., Zheng, H., Wang, H. & Yan, T. (2022). Can machine learning algorithms perform better than multiple linear regression in predicting nitrogen excretion from lactating dairy cows. Sci Rep, 12, 12478.
• Cihan, P., Gökçe, E. & Kalıpsız, O. (2017). A Review of Machine Learning Applications in Veterinary Field. Kafkas Üniversitesi Veteriner Fakültesi Dergisi, 23, 673-680.
• Cover, T. & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13, 21-27.
• Çağlayan Akay, E. (2018). Ekonometride Yeni Bir Ufuk: Büyük Veri ve Makine Öğrenmesi. Sosyal Bilimler Araştırma Dergisi, 7, 41–53.
• Çarkacı, N. (2018). Derin Öğrenme Uygulamalarında Hiper Parametre Seçim Yöntemleri. Erişim Adresi: https://medium.com/deep-learning-turkiye/derin-ogrenme-uygulamalarinda-model-dogrulama-ve-hiper-parametre-secim-yontemleri-823812d95f3/ Erişim Tarihi: 15.05.2021.
• Freund, Y. (1990). Boosting a weak learning algorithm by majority. In: Proceedings of the third annual workshop on computational learning theory, Morgan-Kaufmann, 1990, 202–216.
• Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of Statistics, 1189-1232.
• Gandhi, R. (2018). Introduction to Machine Learning Algorithms: Linear Regression. Erişim Adresi: https://towardsdatascience.com/introduction-to-machine-learning-algorithms-linear-regression-14c4e325882a Erişim Tarihi: 21.12.2020.
• Ghazanfari, S. (2014). Application of linear regression and artificial neural network for broiler chicken growth performance prediction. Iranian Journal of Applied Animal Science, 4, 411-416.
• Hoerl, A. E. & Kennard, R. W. (1970). Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, 12, 55–67.
• Jason, B. (2019). A Tour of Machine Learning Algorithms. Erişim Adresi: https://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/ Erişim Tarihi: 20.03.2022.
• Johnson, A. (2017). Common Problems in Hyperparameter Optimization. Erişim Adresi: https://sigopt.com/blog/common-problems-in-hyperparameter-optimization Erişim Tarihi: 03.04.2021.
• James, G., Eitten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning with Applications in R, 4th ed. New York, USA: Springer Science+Business Media.
• Karslı, Ö. B. (2019). Makine Öğrenme Yöntemleri ile Karaciğer Hastalığının Teşhisi. İÇÜ Fen Bilimleri Enstitüsü Matematik Ana Bilim Dalı Bilgisayar Bilimleri Bilim Dalı Yüksek Lisans Tezi, Ağrı.
• Keskin, M. V. (2019). Ağaca Dayalı Yöntemlerde Bagging ve Boosting Arasında Ne Fark Var? Erişim Adresi: https://www.veribilimiokulu.com/agaca-dayali-yontemlerde-bagging-ve-boosting-arasinda-ne-fark-var/ Erişim Tarihi: 13.12.2020.
• Kıral Özkan, T. (2015). Makine Öğrenmesi Yöntemleri ile Vakıf Üniversiteleri Doluluk Tahminlemesi. MÜ Sosyal Bilimler Enstitüsü Ekonometri Ana Bilim Dalı Yöneylem Araştırması Bilim Dalı Doktora Tezi, İstanbul.
• Kwon, S. J. (2011). Artificial Neural Networks, UK ed. UK: Nova Science Publishers, Inc. La Perle, KMD. (2019). Machine Learning and Veterinary Pathology: Be Not Afraid!. Veterinary Pathology, 56, 506–507.
• Maron, M. E. (1961). Automatic indexing: an experimental inquiry. JACM, 8, 404-417. McCulloch, W. S. & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5, 115-133.
• Muratlar, E. R. (2020). Gradient Boosted Regresyon Ağaçları. Erişim Adresi: https://www.veribilimiokulu.com/gradient-boosted-regresyon-agaclari/ Erişim Tarihi: 09.04.2021.
• Morgan, J. N. & Sonquist, J. A. (1963). Some results from a non-symmetrical branching process that looks for interaction effects. Young, 8.
• Nguyen, Q. T., Fouchereau, R., Frénod, E., Gerard, C. & Sincholle, V. (2020). Comparison of forecast models of production of dairy cows combining animal and diet parameters. Comput Electron Agric, 170, 105258.
• Özgür, E. G. (2020). Rasch Modeline Uygun Yanıt Desenlerinde Bilgisayar Uyarlamalı Test Yöntemi ile Makine Öğrenmesi Yöntemlerinin Tahmin Performanslarının Benzetim Çalışması İle Karşılaştırılması. AÜ Sağlık Bilimleri Enstitüsü Biyoistatistik Ana Bilim Dalı Doktora Tezi, Ankara.
• Öztürk, S. (2020). Hızlı Moda Sektöründe Makine Öğrenmesi Yöntemleri ile Satış Miktarlarının Tahmin Edilmesi. İTÜ Fen Bilimleri Enstitüsü Endüstri Mühendisliği Ana Bilim Dalı Endüstri Mühendisliği Bilim Dalı Yüksek Lisans Tezi, İstanbul.
• Polikar, R. (2012). Ensemble Learning. In, Zhang C., Ma Y. Editors. Ensemble Machine Learning: Methods and Applications. Boston, MA, USA: Springer; 2012. pp. 1-34.
• Salunke, D. (2023). Implementing SVM and Kernel SVM with Python’s Scikit-Learn. Erişim Adresi: https://www.geeksforgeeks.org/implementing-svm-and-kernel-svm-with-pythons-scikit-learn/ Erişim Tarihi: 21.11.2023.
• Schapire, R. E. (1990). The Strength of Weak Learnability. Machine Learning, 5, 197-227. Singh, H. (2018). Understanding Gradient Boosting Machines. Erişim Adresi: https://towardsdatascience.com/understanding-gradient-boosting-machines-9be756fe76ab/ Erişim Tarihi: 12.07.2021.
• Slob, N., Catal, C. & Kassahun, A. (2020). Application of Machine Learning to Improve Dairy Farm Management: A Systematic Literature Review. Preventive Veterinary Medicine, 187, 105237. Smola, A. & Scholkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14, 199-222.
• Şirin, E. (2017). Karar Ağacı ile Regresyon (Decision Tree Regression): Python Örnek Uygulama. Erişim Adresi: https://www.veribilimiokulu.com/karar-agaci-ile-regresyon-decision-tree-regression-python-ornek-uygulama/#:~:text=Karar%20ağaçlarını%20sınıflandırma%20ve%20regresyon,eğitim%20esnasında%20öğrendiği)%20ortalamayı%20söyleyiveriyor/ Erişim Tarihi: 22.06.2022.
• Ünal, Y. (2015). Makine Öğrenmesi Yöntemleriyle Bel Bölgesi Rahatsızlıklarının Tanısı. SÜ Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Ana Bilim Dalı Doktora Tezi, Konya.
• Yılmaz, H. (2014). Random Forests Yönteminde Kayıp Veri Probleminin İncelenmesi ve Sağlık Alanında Bir Uygulama. OÜ Sağlık Bilimleri Enstitüsü Biyoistatistik Ana Bilim Dalı Yüksek Lisans Tezi, Eskişehir.
• Takma, Ç., Atıl, H. & Aksakal, V. (2012). Çoklu doğrusal regresyon ve yapay sinir ağı modellerinin laktasyon süt verimlerine uyum yeteneklerinin karşılaştırılması. Kafkas Üniversitesi Veteriner Fakültesi Dergisi, 18, 941-944.
• Takma, Ç. & Gevrekçi, Y. (2018). Use of neural network model to predict of egg yield. Gaziosmanpașa Üniversitesi Ziraat Fakültesi Dergisi, 35, 147-151.
• Tibshirani, R. (1996). Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society. Series B (Methodological), 58, 267–288.
• Trafalis, T.B. & Ince, H. (2000). Support vector machine for regression and applications to financial forecasting. Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks. IJCNN 2000. Neural Computing: New Challenges and Perspectives for the New Millennium, 6, 348-353 vol.6.
• Wang, Y., Wang, B. & Zhang, X. (2012). A new application of the support vector regression on the construction of financial conditions index to CPI prediction. Proc Comput Sci, 9, 1263–1272.
• Wełeszczuk, J., Kosinska-Selbi, B. & Cholewińska, P. (2022). Prediction of Polish Holstein's economical index and calving interval using machine learning. Livestock Science, 265, 105039.
• Zou, H. & Hastie, T. (2005). Regularization and Variable Selection via the Elastic Net. Journal of the Royal Statistical Society Series B (Statistical Methodology), 67, 301–320.