GENETİK ALGORİTMA TEMELLİ ÖZNİTELİK SEÇİMİNİN ANEMİ HASTALIĞININ TESPİTİNE ETKİSİ

Vücuttaki oksijen ihtiyacının farklı sebeplerle karşılanamaması durumunda ortaya çıkan anemi, 2023’de Dünya Sağlık Örgütü 500 milyondan fazla kişide görüldüğünü rapor etmiştir. Ayrıca, anemi dünyada en sık görülen kan hastalığıdır. Bu hastalığın en önemli önlemlerinden biri erken teşhistir. Literatürde teşhis konusunda hızlı ve başarılı sonuçların elde edilebilmesi için makine öğrenmesi modelleri önerilmektedir. Ancak makine öğrenmesi modelleri arzu edilen düzeyde etkin sonuçlar veremeyebilir. Optimizasyon algoritmaları ile gerçekleştirilen öznitelik seçimi, makine öğrenmesi modellerinin başarı oranlarını arttırabilmektedir. Bu çalışmada hastaların tahlil sonuçları üzerinden gerçekleştirilen anemi tespitinin başarı oranını, öznitelik seçici olarak genetik algoritma ile artırılması amaçlanmıştır. K-en yakın komşu, naive bayes, karar ağaçları, lojistik regresyon ve destek vektör makinesi makine öğrenmesi yöntemlerinin sınıflandırma başarımını arıtmak için genetik algoritma ile öznitelik seçimi gerçekleştirilmiştir. Elde edilen deneysel sonuçlarda önerilen yöntem ile öznitelik seçimi yapılmadan elde edilen sonuçlara göre daha yüksek doğruluk oranları elde edilmiştir.

Anaemia, which occurs when the body’s oxygen needs cannot be met for various reasons, has been reported by the World Health Organization to be seen in more than 500 million people in 2023. Additionally, the anemia is the most common blood disease in the world. One of the most important precautions for this disease is early diagnosis. In the literature, machine learning models have been proposed for achieving rapid and accurate diagnostic results. However, machine learning models may not always provide the desired level. Feature selection utilized with optimization algorithms can enhance the accuracy rates of machine learning models. In this study, improving the accuracy of anemia detection has been aimed on patients’ test results through a genetic algorithm as a feature selection operator. Genetic algorithm has been performed as feature selection to improve the classification performance of machine learning methods including k-nearest neighbors, naïve bayes, decision trees, logistic regression, and support vector machine. In the experimental results, higher accuracy rates have been obtained by the proposed method compared with obtained results without feature selection.