Araştırma Makalesi
BibTex RIS Kaynak Göster

DİYABET RİSK DURUMUNUN BELİRLENMESİNDE SINIFLANDIRMA ALGORİTMALARININ PERFORMANSLARININ KAPSAMLI BİR ŞEKİLDE KARŞILAŞTIRILMASI

Yıl 2024, Cilt: 27 Sayı: 4, 1320 - 1333, 03.12.2024

Rukiye Uzun Arslan , İrem Şenyer Yapıcı , Okan Erkaymaz

https://doi.org/10.17780/ksujes.1465177

Öz

Diyabet, dünya çapında prevelansı her geçen gün artan metabolik bir halk sağlığı sorunudur. Bu hastalık kontrol altına alınmaması durumunda birçok doku ve organ üzerinde geri dönüşümü olmayan hasarlara neden olabilmektedir. Bu nedenle, diyabet hastalığının erken teşhisi ve etkili bir şekilde yönetilmesi, hastaların yaşam kalitesinin arttırılması ve potansiyel sağlık risklerinin azaltılması açısından kritik bir öneme sahiptir. Sağlık sektöründe, hastalıkların teşhisinde yaygın olarak kullanılan makine öğrenimi (MÖ) tabanlı karar destek sistemleri (KDS) önem arz etmektedir. Bu çalışmada, diyabet teşhisi için önerilen MÖ tabanlı bir KDS sunulmuştur. Çalışma kapsamında, veri seti rasgele 80:20 oranında beş kez bölünmüş ve beş farklı MÖ algoritmasıyla (k-en yakın komşu, ridge, aşırı gradyan arttırma, ekstra ağaç ve gradyan arttırma) performansları değerlendirilmiştir. Bunun için veri setindeki özellikler RO algoritmasıyla değerlendirilerek Ki-kare testine dayalı SelectKBest yöntemiyle en anlamlı özellikler belirlenmiştir. Ayrıca önerilen sistem performansı üzerinde yeniden örnekleme tekniklerinin (sentetik azınlık aşırı örnekleme tekniği, Near Miss) etkileri analiz edilmiştir. Yapılan analizler sonucunda, Near Miss yeniden örnekleme tekniğinin veri setine uygulanmasıyla gradyan arttırma algoritmasının en iyi performansı sergilediği tespit edilmiştir. Bu durumda, test verileriyle yapılan analizlere göre göre F-skor, kesinlik, doğruluk ve duyarlılık değerleri sırasıyla %99.44, %98.89, %99.45 ve %100 olarak hesaplanmıştır.

Anahtar Kelimeler

Diyabet sınıflandırma karar destek sistemi örnekleme teknikleri.

Kaynakça

  • Alehegn, M., Raghvendra Joshi, R., & Mulay, P. (2019). Diabetes Analysis And Prediction Using Random Forest, KNN, Naïve Bayes, And J48: An Ensemble Approach. International Journal of Scientific & Technology Research, 8(9), 1346-1354.
  • Akyol, K., & Şen, B. (2018). Diabetes Mellitus Data Classification by Cascading of Feature Selection Methods and Ensemble Learning Algorithms. International Journal of Modern Education and Computer Science, 10(6), 10-16. https://doi.org/10.5815/ijmecs.2018.06.02
  • Dal, A., Gümüş, İ. H., Güldal, S. & Yavaş, M. (2021). Dengesiz Veriler İçin Ağırlıklı Geometrik Ortalama Tabanlı Yeni Bir Yeniden Örnekleme Yaklaşımı, Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 8 (15), 343-352. https://doi.org/10.54365/adyumbd.940539
  • Daghistani, T., & Alshammari, R. (2020). Comparison of statistical logistic regression and randomforest machine learning techniques in predicting diabetes. Journal of Advances in Information Technology, 11(2), 78-83. https://doi.org/10.12720/jait.11.2.78-83
  • Das, H., Naik, B., & Behera, H. S. (2018). Classification of diabetes mellitus disease (DMD): A data mining (DM) approach. Advances in Intelligent Systems and Computing, 710, 539-549. Springer Verlag. https://doi.org/10.1007/978-981-10-7871-2_52
  • Hacıbeyoglu, M., Çelik, M., & Erdaş Çiçek, Ö. (2023). En Yakın Komşu Algoritması ile Binalarda Enerji Verimliliği Tahmini. Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 5(2), 28-37. https://doi.org/10.47112/neufmbd.2023.10
  • Harman, G. (2021). Destek vektör makineleri ve naive bayes sınıflandırma algoritmalarını kullanarak diabetes mellitus tahmini. Avrupa Bilim ve Teknoloji Dergisi, (32), 7-13. https://doi.org/ 10.31590/ejosat.1041186
  • IDF Diabetes Atlas. Diabetes around the world in 2021. https://diabetesatlas.org/ Accessed 04.04.2024
  • Jakka, A., & Vakula Rani, J. (2019). Performance evaluation of machine learning models for diabetes prediction. International Journal of Innovative Technology and Exploring Engineering, 8(11), 1976-1980. https://doi.org/10.35940/ijitee.K2155.0981119
  • Kaggle. Pakistani Diabetes Dataset. (2024). https://www.kaggle.com/datasets/mshoaibishaaq/pakistani-diabetes-dataset Accessed 04.04.2024
  • Korkmaz, M., & Kaplan, K. (2023). Şeker hastalığı teşhisi ve önerilen modellerinin karşılaştırılması. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(1), 1-1.
  • Mesquita, F., aurício, J., & Marques, G. (2021). Oversampling techniques for diabetes classification: A comparative study. In 2021 International Conference on e-Health and Bioengineering (EHB) (pp. 1-6). IEEE.
  • Mqadi, N. M., Naicker, N., & Adeliyi, T. (2021). Solving misclassification of the credit card imbalance problem using near miss. Mathematical Problems in Engineering, 2021, 1-16. https://doi.org/10.1155/2021/7194728
  • Mohammed, R., Rawashdeh, J., & Abdullah, M. (2020). Machine learning with oversampling and undersampling techniques: overview study and experimental results. In 2020 11th international conference on information and communication systems (ICICS) (pp. 243-248). IEEE.
  • Özüler Başer, B., Yangın, M., & Sarıdaş, E. S. (2021). Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25(1), 112-120. doi: 10.19113/sdufenbed.842460
  • Özoğur, H. N., & Orman, Z. (2023). Sağlık Verilerinin Analizinde Veri Ön işleme Adımlarının Makine Öğrenmesi Yöntemlerinin Performansına Etkisi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 16(1), 23-33.
  • Öztürk, H. (2022). Dengesiz veri setlerinde farklı dengeleme algoritmalarının optimum denge oranlarının sınıflandırma ve regresyon ağaçları yöntemi ile incelenmesi: simülasyon çalışması. Doktora Tezi. Aydın Adnan Menderes Üniversitesi Sağlık Bilimleri Enstitüsü Biyoistatistik, Aydın 88s.
  • Özkan, Y., Yürekli, B. S., & Suner, A. (2022). Diyabet tanısının tahminlenmesinde denetimli makine öğrenme algoritmalarının performans karşılaştırması. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12(1), 211-226. https://doi.org/10.17714/gumusfenbil.820882
  • Sungur, F., & Bakır, H. (2024). Hiperparametre ayarlama ve veri dengelemenin kalp hastalığı tahmini için kullanılan makine öğrenimi algoritmaları üzerindeki etkilerinin incelenmesi. Bilişim Teknolojileri Dergisi, 17(1), 45-58. https://doi.org/10.17671/gazibtd.1399813
  • Sevli, O. (2022). Diyabet hastalığının farklı sınıflandırıcılar kullanılarak teşhisi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 38(2), 989-1002. https://doi.org/10.17341/gazimmfd.880750
  • Shuja, M., Mittal, S., & Zaman, M. (2020). Effective prediction of type ii diabetes mellitus using data mining classifiers and SMOTE. In Advances in Computing and Intelligent Systems: Proceedings of ICACM 2019 (pp. 195-211). Springer Singapore.
  • Turan, T. (2023). Makine Öğrenmesi Algoritmaları İle Su Kalitesi Ve İçilebilirlik Tahmini. Uluborlu Mesleki Bilimler Dergisi, 6(2), 65-80.
  • Türkmenoğlu, B. K., & Yildiz, O. (2021). Predicting the survival of heart failure patients in unbalanced data sets. In 2021 29th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
  • Turhan S., Özkan, Y., Yürekli, B. S., Suner, A., & Doğu, E. (2020). Comparison of Ensemble Learning Methods for Disease Diagnosis in Presence of Class Unbalanced: Case of Diabetes. Turkiye Klinikleri Journal of Biostatistics, 12(1), 16-26. https://doi.org/10.5336/biostatic.2019-66816
  • Uğurgöl, E., Batbat, T., Yeşilbas, D., Altınkaynak, M., Güven, A., Demirci, E., & Dolu, N. (In press) Doğrusal olmayan EEG dinamikleri ile anksiyete tespiti. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 13(2), 1-1. https://doi.org/10.28948/ngumuh.1359809
  • WHO. Diabets. (2024). https://www.who.int/health-topics/diabetes#tab=tab_1 Accessed 04.04.2024
  • Yılmaz, H., Buldu, A., Kaya, Y., & Kuncan, F. (2023). Yapay Zeka Yöntemleriyle Erken Evre Diyabet Risk Tahmini. Journal of Scientific Reports-B, (007), 59-71.
  • Yakut, G., Çay, R. İ., & Öztürk, H. H. (2023). Makine Öğrenimi Teknikleri Kullanılarak Isparta İli İçin Tarımsal Ürün Önerme Sistemi. Gazi Mühendislik Bilimleri Dergisi, 9(4-ICAIAME 2023), 174-185. https://doi.org/10.30855/gmbd.0705S17
  • Yavaş, M., Güran, A., & Uysal, M. (2020). Covid-19 veri kümesinin SMOTE tabanlı örnekleme yöntemi uygulanarak sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi, 258-264. https://doi.org/10.31590/ejosat.779952

A COMPREHENSIVE COMPARISON OF THE PERFORMANCE OF CLASSIFICATION ALGORITHMS IN DETERMINING DIABETES RISK STATUS

Yıl 2024, Cilt: 27 Sayı: 4, 1320 - 1333, 03.12.2024

Rukiye Uzun Arslan , İrem Şenyer Yapıcı , Okan Erkaymaz

https://doi.org/10.17780/ksujes.1465177

Öz

Diabetes is a metabolic public health problem with an increasing prevalence worldwide. If untreated, it can cause irreversible effects on many tissues and organs. Therefore, early diagnosis and effective management of diabetes is critical to improve patients' quality of life and reduce potential health risks. In the healthcare industry, machine learning (ML) based decision support systems (DSS) are widely used for disease diagnosis. In this study, a proposed ML-based CDS for diabetes diagnosis is presented. Within the scope of the study, the dataset is randomly split five times in a ratio of 80:20 and the performances of five different ML algorithms (k-nearest neighbor, ridge, extreme gradient boosting, extra tree and gradient boosting) are evaluated. For this purpose, the features in the dataset are evaluated with the RO algorithm and the most significant features are determined by the SelectKBest method based on the Chi-square test. In addition, the effects of resampling techniques (synthetic minority oversampling technique, Near Miss) on the performance of the proposed system were analyzed. As a result of the analysis, it was found that the gradient boosting algorithm performed best when the Near Miss resampling technique was applied to the dataset. In this case, the F-score, precision, accuracy and sensitivity values were calculated as 99.44%, 98.89%, 99.45% and 100%, respectively, based on the analysis with the test data.

Anahtar Kelimeler

Diabetes classification decision support system sampling techniques.

Kaynakça

  • Alehegn, M., Raghvendra Joshi, R., & Mulay, P. (2019). Diabetes Analysis And Prediction Using Random Forest, KNN, Naïve Bayes, And J48: An Ensemble Approach. International Journal of Scientific & Technology Research, 8(9), 1346-1354.
  • Akyol, K., & Şen, B. (2018). Diabetes Mellitus Data Classification by Cascading of Feature Selection Methods and Ensemble Learning Algorithms. International Journal of Modern Education and Computer Science, 10(6), 10-16. https://doi.org/10.5815/ijmecs.2018.06.02
  • Dal, A., Gümüş, İ. H., Güldal, S. & Yavaş, M. (2021). Dengesiz Veriler İçin Ağırlıklı Geometrik Ortalama Tabanlı Yeni Bir Yeniden Örnekleme Yaklaşımı, Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 8 (15), 343-352. https://doi.org/10.54365/adyumbd.940539
  • Daghistani, T., & Alshammari, R. (2020). Comparison of statistical logistic regression and randomforest machine learning techniques in predicting diabetes. Journal of Advances in Information Technology, 11(2), 78-83. https://doi.org/10.12720/jait.11.2.78-83
  • Das, H., Naik, B., & Behera, H. S. (2018). Classification of diabetes mellitus disease (DMD): A data mining (DM) approach. Advances in Intelligent Systems and Computing, 710, 539-549. Springer Verlag. https://doi.org/10.1007/978-981-10-7871-2_52
  • Hacıbeyoglu, M., Çelik, M., & Erdaş Çiçek, Ö. (2023). En Yakın Komşu Algoritması ile Binalarda Enerji Verimliliği Tahmini. Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 5(2), 28-37. https://doi.org/10.47112/neufmbd.2023.10
  • Harman, G. (2021). Destek vektör makineleri ve naive bayes sınıflandırma algoritmalarını kullanarak diabetes mellitus tahmini. Avrupa Bilim ve Teknoloji Dergisi, (32), 7-13. https://doi.org/ 10.31590/ejosat.1041186
  • IDF Diabetes Atlas. Diabetes around the world in 2021. https://diabetesatlas.org/ Accessed 04.04.2024
  • Jakka, A., & Vakula Rani, J. (2019). Performance evaluation of machine learning models for diabetes prediction. International Journal of Innovative Technology and Exploring Engineering, 8(11), 1976-1980. https://doi.org/10.35940/ijitee.K2155.0981119
  • Kaggle. Pakistani Diabetes Dataset. (2024). https://www.kaggle.com/datasets/mshoaibishaaq/pakistani-diabetes-dataset Accessed 04.04.2024
  • Korkmaz, M., & Kaplan, K. (2023). Şeker hastalığı teşhisi ve önerilen modellerinin karşılaştırılması. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(1), 1-1.
  • Mesquita, F., aurício, J., & Marques, G. (2021). Oversampling techniques for diabetes classification: A comparative study. In 2021 International Conference on e-Health and Bioengineering (EHB) (pp. 1-6). IEEE.
  • Mqadi, N. M., Naicker, N., & Adeliyi, T. (2021). Solving misclassification of the credit card imbalance problem using near miss. Mathematical Problems in Engineering, 2021, 1-16. https://doi.org/10.1155/2021/7194728
  • Mohammed, R., Rawashdeh, J., & Abdullah, M. (2020). Machine learning with oversampling and undersampling techniques: overview study and experimental results. In 2020 11th international conference on information and communication systems (ICICS) (pp. 243-248). IEEE.
  • Özüler Başer, B., Yangın, M., & Sarıdaş, E. S. (2021). Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25(1), 112-120. doi: 10.19113/sdufenbed.842460
  • Özoğur, H. N., & Orman, Z. (2023). Sağlık Verilerinin Analizinde Veri Ön işleme Adımlarının Makine Öğrenmesi Yöntemlerinin Performansına Etkisi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 16(1), 23-33.
  • Öztürk, H. (2022). Dengesiz veri setlerinde farklı dengeleme algoritmalarının optimum denge oranlarının sınıflandırma ve regresyon ağaçları yöntemi ile incelenmesi: simülasyon çalışması. Doktora Tezi. Aydın Adnan Menderes Üniversitesi Sağlık Bilimleri Enstitüsü Biyoistatistik, Aydın 88s.
  • Özkan, Y., Yürekli, B. S., & Suner, A. (2022). Diyabet tanısının tahminlenmesinde denetimli makine öğrenme algoritmalarının performans karşılaştırması. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12(1), 211-226. https://doi.org/10.17714/gumusfenbil.820882
  • Sungur, F., & Bakır, H. (2024). Hiperparametre ayarlama ve veri dengelemenin kalp hastalığı tahmini için kullanılan makine öğrenimi algoritmaları üzerindeki etkilerinin incelenmesi. Bilişim Teknolojileri Dergisi, 17(1), 45-58. https://doi.org/10.17671/gazibtd.1399813
  • Sevli, O. (2022). Diyabet hastalığının farklı sınıflandırıcılar kullanılarak teşhisi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 38(2), 989-1002. https://doi.org/10.17341/gazimmfd.880750
  • Shuja, M., Mittal, S., & Zaman, M. (2020). Effective prediction of type ii diabetes mellitus using data mining classifiers and SMOTE. In Advances in Computing and Intelligent Systems: Proceedings of ICACM 2019 (pp. 195-211). Springer Singapore.
  • Turan, T. (2023). Makine Öğrenmesi Algoritmaları İle Su Kalitesi Ve İçilebilirlik Tahmini. Uluborlu Mesleki Bilimler Dergisi, 6(2), 65-80.
  • Türkmenoğlu, B. K., & Yildiz, O. (2021). Predicting the survival of heart failure patients in unbalanced data sets. In 2021 29th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
  • Turhan S., Özkan, Y., Yürekli, B. S., Suner, A., & Doğu, E. (2020). Comparison of Ensemble Learning Methods for Disease Diagnosis in Presence of Class Unbalanced: Case of Diabetes. Turkiye Klinikleri Journal of Biostatistics, 12(1), 16-26. https://doi.org/10.5336/biostatic.2019-66816
  • Uğurgöl, E., Batbat, T., Yeşilbas, D., Altınkaynak, M., Güven, A., Demirci, E., & Dolu, N. (In press) Doğrusal olmayan EEG dinamikleri ile anksiyete tespiti. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 13(2), 1-1. https://doi.org/10.28948/ngumuh.1359809
  • WHO. Diabets. (2024). https://www.who.int/health-topics/diabetes#tab=tab_1 Accessed 04.04.2024
  • Yılmaz, H., Buldu, A., Kaya, Y., & Kuncan, F. (2023). Yapay Zeka Yöntemleriyle Erken Evre Diyabet Risk Tahmini. Journal of Scientific Reports-B, (007), 59-71.
  • Yakut, G., Çay, R. İ., & Öztürk, H. H. (2023). Makine Öğrenimi Teknikleri Kullanılarak Isparta İli İçin Tarımsal Ürün Önerme Sistemi. Gazi Mühendislik Bilimleri Dergisi, 9(4-ICAIAME 2023), 174-185. https://doi.org/10.30855/gmbd.0705S17
  • Yavaş, M., Güran, A., & Uysal, M. (2020). Covid-19 veri kümesinin SMOTE tabanlı örnekleme yöntemi uygulanarak sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi, 258-264. https://doi.org/10.31590/ejosat.779952
Toplam 29 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Yapay Zeka (Diğer)
Bölüm Bilgisayar Mühendisliği
Yazarlar

Rukiye Uzun Arslan 0000-0002-2082-8695

İrem Şenyer Yapıcı 0000-0003-0655-340X

Okan Erkaymaz 0000-0002-1996-8623

Yayımlanma Tarihi 3 Aralık 2024
Gönderilme Tarihi 4 Nisan 2024
Kabul Tarihi 19 Temmuz 2024
Yayımlandığı Sayı Yıl 2024Cilt: 27 Sayı: 4

Kaynak Göster

APA Uzun Arslan, R., Şenyer Yapıcı, İ., & Erkaymaz, O. (2024). DİYABET RİSK DURUMUNUN BELİRLENMESİNDE SINIFLANDIRMA ALGORİTMALARININ PERFORMANSLARININ KAPSAMLI BİR ŞEKİLDE KARŞILAŞTIRILMASI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 27(4), 1320-1333. https://doi.org/10.17780/ksujes.1465177
 Kapak Resmi İndir