Hastalıkların Uyarlanmış Destek Vektör Makinesi İle Teşhis Edilmesi

Abstract

Bu çalışma, birçok alanda yaygın olarak kullanılan destek vektör makinelerinin (DVM) tıbbi araştırmalardaki kullanımına yönelik uygulamalara yardımcı olmak için yapılmıştır. Çalışmada, verileri daha doğru sınıflandırmak veya tahmin etmek amacıyla uyarlanmış çekirdek fonksiyonlu DVM'ler kullanılmıştır. Sınıflandırıcıların başarım oranlarının yüksek olabilmesi için DVM'de kullanılan parametrelerin uygun seçilmesi gerekmektedir. Çekirdek fonksiyonlu DVM'ler için bu parametrelerin önemli olanları sigma değerleri ve polinom dereceleridir. Dolayısıyla bu çalışmada sigma değerleri ve polinom dereceleri parametreleri ele alınmış olup, önerilen yöntemleelde edilen uygun parametreler doğru sınıflandırma başarım oranlarını artırmıştır. Sonuç olarak, 'Uyarlanmış DVM (UDVM)' adında, farklı tipteki sınıflandırıcılardan elde edilen sonuçların çoğunluk oylaması ile değerlendirilerek başarım oranları yüksek sonuçlar üretilmesine olanak sağlayan otomatik bir hastalık tanıma yöntemi geliştirilmiştir. Farklı veri setleri için bu çalışmada önerilen UDVM yöntemi kullanılarak elde edilen sonuçlar incelendiğinde, UDVM yöntemi, genel amaçlı, otomatik, yüksek başarımlı, içerisinde farklı sınıflandırma algoritmaları bulunduran, doğru sınıflandırma başarım oranını etkileyen parametrelerini ideal olarak otomatik uyarlayabilen, verileri sınıflamada etkin bir yöntemdir. Anahtar Kelimeler: Hastalık Teşhisi; Yapay Zeka; UDVM; Çoğunluk OylamasıThis paper has been prepared in order to assist the use of Support Vector Machine (SVM), which is widely used in many areas, in medical researches. Adapted kernel function SVMs have been used so as to predict or classify data properly. The parameters used for SVMs should be selected properly to increase the success rate of classifiers.The sigma values and and the degrees of polynomial are important parameters for kernel function SVMs. Thereby dealing with sigma values and degrees of polynomial in this paper, the derived parameters by proper method have increased the success rate of proper classify. Consequently an automatic disease diagnosis method which enables generate high success results by evaluating the results obtained from distinct classifiers by majority voting, entitled the Adapted SVM (ASVM). Examining the results obtained by using ASVM method which is suggested for distinct data sets in this paper, ASVM is a general-purpose, automatic, high successful, effective at classification of data, seperate classification algorithm included method which can adapt the effective parameters of proper classification success rate ideally. Key Words: Diagnosis of Diseases; Artificial Intelligence; ASVM; Majority Voting