The importance of machine learning has many wide-reaching applications. The possibilities for use within the financial, military, and medicinal sectors showcase how important this breakthrough, now using tensors, is for the development of the modern world. Through computer technology, several fields now have the potential for organizing and classifying data at incredible speeds and then proposing a conclusion from that data, without human input. Although military and financial uses are important, nothing is more critical to life than good health.As such, this research focuses on applying a new methodology of tensor-based vector representation as it relates to five common and serious diseases. They are: colorectal cancer, cirrhosis, inflammatory bowel disease, psoriasis, and type-2 diabetes. The datasets of sick versus healthy patients were compared in the experimental data using a vector with 1455 features. The results from the proposed algorithm to locate and classify data as it relates to a successful diagnosis were then compared to the existing three algorithms of SVM, SVM_non-optimized, and SVM-SVD. The algorithm proposed in this paper displayed a more accurate rate of success than these three common methods.Keywords: Tensor Decomposition, Support Vector Machine, Kernel Learning, PARAFAC algorithm.

Yapay öğrenme çok geniş alanlarda uygulama bulmuş önemli bir teknik alandır. Finansal, askeri ve sağlık sektörlerindeki yaygın uygulamalara ek olarak, günümüzde de tensör veri yapılarının kullanımıyla modern dünyada veri biliminin gelişiminde önemli bir rol oynamaktadır. Bilgisayar bilimlerindeki gelişmelerle bir çok alanda verinin düzenlenmesi ve sınıflandırılması, daha sonra da veri üzerinden sonuç önerilmesi çok yüksek hızlarda ve insan girdisi gerektirmeden yapılabilmektedir. Her ne kadar savunma teknolojileri ve finansal alanlar önemli olsa da sağlık bilimleri bu tip uygulamalarda başı öeken yapay öğrenme uygulama alanlarındandır.Buna bağlı olarak bu çalışma, tensör temelli veri temsiliyetine dayanan yeni bir sınıflandırma algoritmasının beş farklı hastalık metagenomu kohortu üzerinde test edilmesine dayanmaktadır. Bunlar kolorektal kanser, siroz, iltihaplı bağırsak hastalığı, sedef ve tip 2 diyabete ait mikrobiyom verilerinin sınıflandırılması problemini oluşturmaktadır. Hasta ve sağlıklı bireylere ait 1455 öznitelik önerilen algoritma ile sınıflandırılarak otomatik teşhis koyma yeteneği test edilmiştir. Daha sonra önerilen algoritma parametreleri optimize edilmiş ve edilmemiş SVM ve tekil değer ayrıştırması ile dönüştürülmüş veriye ait SVM sınıflandırmalarıyla karşılaştırılmıştır. Önerilen algoritmanın diğer yöntemlere oranla daha başarılı olduğu saptanmıştır.Anahtar kelimeler: Tensör ayrıştırması, Destek Vektör Makineleri, çekirdek öğrenme, PARAFAC algoritması.