Development of Support Vector Machines in The Classification of Coronary Artery Disease with Gray Wolf Optimization Based Feature Selection Method

Büşra Er; Ugur Fidan

Makale detayları

Development of Support Vector Machines in The Classification of Coronary Artery Disease with Gray Wolf Optimization Based Feature Selection Method

Yazarlar:

Büşra Er | Ugur Fidan

Yayıncı:

Eskişehir Osmangazi University

Ana Başlıklar:

Bilgisayar Yazılımı

Dergi:

Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi Vol.5 Issue 1, pp.37-44

Belge Tipi:

Makale

Yayın Tarihi:

6/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001310030

pISSN:

2687-606X

Anahtar kelimeler:

Özet:

 Machine learning methods are an effective tool used to detect coronary artery disease andor similar diseases and conditions by allowing the analysis of large data sets. In large data sets, there may be unnecessary data that affects processing speed and classification performance or negatively affects the decision. Applying feature selection techniques allows the elimination of unnecessary data. In this study, a new classification method is proposed to determine the most appropriate feature subset to diagnose coronary artery disease. The proposed method consists of two main stages: feature selection and classification. Cleveland heart disease dataset was used for performance validation of the proposed method. In the first stage, gray wolf optimization GWO was used to find the best features. Among the 13 parameters in the data set used, 7 most effective parameters were selected and the classification process was carried out on these 7 parameters. In the second stage, the fitness function of GWO was evaluated using the support vector machine SVM classifier. The fitness functions determined in the study were evaluated with different variations of the kernel matrices used in SVM. At this stage, the core matrix with the highest accuracy was determined. Experimental results showed that the proposed GWO-SVM achieved higher performance compared to existing studies, with 95.91 accuracy, 95.64 sensitivity and 91.66 success using the linear kernel matrix.

 Machine learning methods are an effective tool used to detect coronary artery disease andor similar diseases and conditions by allowing the analysis of large data sets. In large data sets, there may be unnecessary data that affects processing speed and classification performance or negatively affects the decision. Applying feature selection techniques allows the elimination of unnecessary data. In this study, a new classification method is proposed to determine the most appropriate feature subset to diagnose coronary artery disease. The proposed method consists of two main stages: feature selection and classification. Cleveland heart disease dataset was used for performance validation of the proposed method. In the first stage, gray wolf optimization GWO was used to find the best features. Among the 13 parameters in the data set used, 7 most effective parameters were selected and the classification process was carried out on these 7 parameters. In the second stage, the fitness function of GWO was evaluated using the support vector machine SVM classifier. The fitness functions determined in the study were evaluated with different variations of the kernel matrices used in SVM. At this stage, the core matrix with the highest accuracy was determined. Experimental results showed that the proposed GWO-SVM achieved higher performance compared to existing studies, with 95.91 accuracy, 95.64 sensitivity and 91.66 success using the linear kernel matrix.

 Machine learning methods are an effective tool used to detect coronary artery disease andor similar diseases and conditions by allowing the analysis of large data sets. In large data sets, there may be unnecessary data that affects processing speed and classification performance or negatively affects the decision. Applying feature selection techniques allows the elimination of unnecessary data. In this study, a new classification method is proposed to determine the most appropriate feature subset to diagnose coronary artery disease. The proposed method consists of two main stages: feature selection and classification. Cleveland heart disease dataset was used for performance validation of the proposed method. In the first stage, gray wolf optimization GWO was used to find the best features. Among the 13 parameters in the data set used, 7 most effective parameters were selected and the classification process was carried out on these 7 parameters. In the second stage, the fitness function of GWO was evaluated using the support vector machine SVM classifier. The fitness functions determined in the study were evaluated with different variations of the kernel matrices used in SVM. At this stage, the core matrix with the highest accuracy was determined. Experimental results showed that the proposed GWO-SVM achieved higher performance compared to existing studies, with 95.91 accuracy, 95.64 sensitivity and 91.66 success using the linear kernel matrix.

 Makine öğrenmesi yöntemleri, büyük veri kümelerinin analiz edilmesine olanak sağlayarak koroner arter rahatsızlığı veveya buna benzer hastalık ve durumların tespit edilmesinde kullanılan etkili bir araçtır. Büyük veri kümelerinde işlem hızını ve sınıflandırma başarımını etkileyen gereksiz veya kararı olumsuz yönde etkileyen veriler bulunabilmektedir. Özellik seçim tekniklerinin uygulanması gereksiz verilerin ortadan kaldırılmasına olanak sağlamaktadır. Bu çalışmada, koroner arter hastalığını teşhis etmek amacıyla en uygun özellik alt kümesini belirlemek üzere yeni bir sınıflandırma yöntemi önerilmiştir. Önerilen yöntem, öznitelik seçimi ve sınıflandırma olmak üzere iki ana aşamadan oluşmaktadır. Önerilen yöntemin performans doğrulaması için Cleveland kalp hastalığı veri seti kullanılmıştır. İlk aşamada, en iyi özellikleri bulmak için gri kurt optimizasyonu GWO kullanılmıştır. Kullanılan veri setinde bulunan 13 parametre arasında 7 en etkili parametre seçilmiş ve sınıflandırma işlemi bu 7 parametre üzerinden gerçekleştirilmiştir. İkinci aşamada, GWOnun uygunluk fonksiyonu, destek vektör makinesi SVM sınıflandırıcısı kullanılarak değerlendirilmiştir. Çalışmada belirlenen uygunluk fonksiyonları SVMde kullanılan çekirdek matrislerin farklı varyasyonları ile değerlendirilmiştir. Bu aşamada en yüksek doğruluk elde edilen çekirdek matris belirlenmiştir. Deneysel sonuçlar, önerilen GWO-SVMnin lineer çekirdek matris kullanılarak 95.91 doğrulukta, 95.64 duyarlılıkta ve 91.66 başarı ile mevcut çalışmalara kıyasla daha yüksek başarım sağlandığını göstermiştir.

Makale detayları

Development of Support Vector Machines in The Classification of Coronary Artery Disease with Gray Wolf Optimization Based Feature Selection Method

Yazarlar:

Büşra Er | Ugur Fidan

Yayıncı:

Eskişehir Osmangazi University

Ana Başlıklar:

Bilgisayar Yazılımı

Dergi:

Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi Vol.5 Issue 1, pp.37-44

Belge Tipi:

Makale

Yayın Tarihi:

6/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001310030

pISSN:

2687-606X

Grey Wolf Optimization

Future Selection

Support Vector Machine

Coronary Artery Disease

Kernel MatrixGri Kurt Optimizasyonu

Öznitelik Çıkarımı

Destek Vektör Makinesi

Koroner Arter Hastalığı

Çekirdek Matris

Sayı

Makale detayları

Yazarlar: Büşra Er | Ugur Fidan

Yayıncı: Eskişehir Osmangazi University

Ana Başlıklar: Bilgisayar Yazılımı

Dergi: Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi Vol.5 Issue 1, pp.37-44

Belge Tipi: Makale

Yayın Tarihi: 6/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001310030

pISSN: 2687-606X

Sayı

Yazarlar:

Büşra Er | Ugur Fidan

Yayıncı:

Eskişehir Osmangazi University

Ana Başlıklar:

Bilgisayar Yazılımı

Dergi:

Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi Vol.5 Issue 1, pp.37-44

Belge Tipi:

Makale

Yayın Tarihi:

6/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001310030

pISSN:

2687-606X