Yığınlanmış Özdevinimli Kodlayıcılar ile Göğüs Kanserinin Sınıflandırılması ve Klasik Makine Öğrenme Metotları ile Performans Karşılaştırması

Tayyip ÖZCAN

Makale detayları

Yığınlanmış Özdevinimli Kodlayıcılar ile Göğüs Kanserinin Sınıflandırılması ve Klasik Makine Öğrenme Metotları ile Performans Karşılaştırması

Yazarlar:

Tayyip ÖZCAN

Yayıncı:

Erciyes University

Ana Başlıklar:

Uygulamalı fizik

Dergi:

Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 2020 Vol.36 Issue 2, pp.151-160

Belge Tipi:

Makale

Yayın Tarihi:

8/2020

Belge Dili:

Türkçe

Document ID (Org No.):

2000410235

pISSN:

1012-2354

Özet:

 

Göğüs kanseri, her yıl çokça ölüme sebebiyet veren en tehlikeli kanser türleri arasında yer almaktadır. Erken tanı durumları kanser tedavilerinde yapıcı rol oynamaktadır. Bu nedenle araştırmacılar, hastalara ve sağlıklı insanlara ait veriler üzerinde sınıflandırma ve kümeleme yöntemlerini kullanarak deneysel araştırmalar yapmaktadır. Gelişen teknoloji ile makine öğrenme destekli teşhis çalışmalarının yanı sıra derin öğrenme yöntemlerinin kullanımında kayda değer bir artış görülmektedir. Bu çalışmada, bir derin öğrenme metodu olan yığınlanmış özdevinimli kodlayıcılar (SAE) kullanılarak göğüs kanseri sınıflandırılmasında kullanılmak üzere yeni bir model tasarlanmıştır. Tasarlanan SAE ile performans karşılaştırması gerçekleştirmek üzere en yaygın kullanılan makine öğrenme yöntemlerinden destek vektör makineleri, k-en yakın komşuluk, naive bayes ve karar ağaçları metotları bu çalışmada ayrıca kullanılmıştır.  Doğruluk oranı metriğinin yanı sıra, eğitim ve test aşamalarındaki geçen süre (zaman karmaşıklığı) deneysel çalışmalarda hesaplanmıştır. Deneysel çalışmalarda, veri ön işleme adımlarından normalizasyon süreci uygulanarak, sınıflandırma başarımına etkisi incelenmiştir. Deneysel sonuçlara göre doğruluk oranı kriteri baz alındığında %79,31 doğruluk oranı ile en başarılı sonuç veri ön işleme destekli SAE ile elde edilmiştir. Zaman karmaşıklığı metriğine göre KNN algoritması eğitim sürecinde en hızlı algoritma olurken SAE algoritması test sürecinde en hızlı olan algoritma olarak tespit edilmiştir.

Makale detayları

Yığınlanmış Özdevinimli Kodlayıcılar ile Göğüs Kanserinin Sınıflandırılması ve Klasik Makine Öğrenme Metotları ile Performans Karşılaştırması

Yazarlar: Tayyip ÖZCAN

Yayıncı: Erciyes University

Ana Başlıklar: Uygulamalı fizik

Dergi: Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 2020 Vol.36 Issue 2, pp.151-160

Belge Tipi: Makale

Yayın Tarihi: 8/2020

Belge Dili: Türkçe

Document ID (Org No.): 2000410235

pISSN: 1012-2354

Sayı

Yazarlar:

Tayyip ÖZCAN

Yayıncı:

Erciyes University

Ana Başlıklar:

Uygulamalı fizik

Dergi:

Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 2020 Vol.36 Issue 2, pp.151-160

Belge Tipi:

Makale

Yayın Tarihi:

8/2020

Belge Dili:

Türkçe

Document ID (Org No.):

2000410235

pISSN:

1012-2354