Makine Öğrenmesi Yöntemleri İle Kalp Hastalığının Tahmin Edilmesi
Yazarlar:
Mertcan GÖRGÜN Ahmet GÜRHANLI
Yayın Yılı:
2019
Yayıncı:
5. Uluslararası Muhendislik Mimarlık ve Tasarım Kongresi
Dil:
Türkçe
Disipline:
Din Bilimleri
Konu:
Hinduism
Özet (AI):
Kalp hastalıkları, kalbe giden damarlarda tıkanıklık, kalp kapakçığında açıklık ya da kalbin beklenmedik herhangi bir yerinde oluşan bir sorun ile ortaya çıkar. Kalp Hastalığı riskini arttıran iki önemli faktör vardır. Bunlar Genetik Faktörler ve Çevresel Faktörlerdir. Kalp hastalıklarında en yaygın görünen damarlardaki plaklanmadan dolayı olan kalp krizidir. Kalp hastalıklarının en önemli belirtisi göğüs ağrısıdır ve araştırmalar bu ağrılar ile karşılaşan insanların yaş ortalamasının günden güne düştüğünü göstermektedir. Dünya Sağlık Örgütünün verilerine göre dolaşım sistemi hastalıkları adı altında Dünya'da her yıl 17,9 milyon insan kalp hastalıklarından, Türkiye'de ise Türkiye İstatistik Kurumu verilerine göre ortalama 168 bin insan hayatını kaybetmektedir. Kalp Hastalığı Göğüs Ağrısı, nefes darlığı, bayılma, yorulma ve halsizlik gibi etkileri olan ve günlük yaşantınızı olumsuz yönde etkileyecek bir hastalıktır. Erken teşhis konulduğunda hastalığın ileri safhalara geçmemesi ve tedavinin başlaması hastanın hayatını kurtarır. Bu çalışmada 165'i Kalp hastası olan 303 denekten oluşan Heart Disease UCI veri seti üzerinde cinsiyet, diyabet, yaş, kolesterol, göğüs ağrısı türleri gibi özelliklerle çeşitli makine öğrenmesi yöntemleri uygulanmıştır. Lojistik Regresyon, K-En Yakın Komşu, Destek Vektör Makineleri, Naive Bayes, Karar Ağacı, Rastgele Orman, LightGBM Model, XGBoost Model, Ridge Model ve Bagging Model algoritmaları karşılaştırılmış, çıkan sonuçlar değerlendirilmiş ve farklı parametreler kullanılarak Rastgele Orman Algoritması ile %90,16 oranında doğruluk değeri elde edilmiştir. Anahtar Kelimeler: Kalp Hastalığı Tahmini, Makine Öğrenmesi, Rastgele Orman Algoritması
Anahtar Kelime (AI):
Kalp Hastalığı
Makine Öğrenmesi
Rastgele Orman Algoritması
Veri Seti
Algoritmalar
How To Learn How To Predict Heart Disease.
Yazarlar:
Mertcan GÖRGÜN Ahmet GÜRHANLI
Yayın Yılı:
2019
Yayıncı:
5. Uluslararası Muhendislik Mimarlık ve Tasarım Kongresi
Dil:
Turkish
Disiplin:
Hinduism
Konu:
Hinduism
Özet:
(AI):
Heart diseases occur with a problem that occurs in the vessels that go to the heart, openness in the heart cover or any unexpected place of the heart.There are two major factors that increase the risk of heart disease.These are genetic factors and environmental factors.The most common appearance in heart diseases is a heart attack due to plaque in the vessels.The most important symptom of heart disease is chest pain, and research shows that the average age of people who experience these pain decreases from day to day.According to the data of the World Health Organization, under the name of circulatory system diseases, 17.9 million people in the world per year die from heart disease, and in Turkey, according to the data of the statistical institution, an average of 168 thousand people die.Heart disease is a disease that has effects such as chest pain, breathing difficulty, swelling, tiredness and discomfort and will negatively affect your daily life.When diagnosed early, the disease does not pass to advanced stages and the start of treatment saves the patient's life.In this study, a set of data of 303 patients with heart disease, which consisted of 165 patients with heart disease, has been applied various machine learning methods with characteristics such as gender, diabetes, age, cholesterol, type of breast pain.Logistics regression, k-en close neighbor, support vector machines, naive bayes, decision tree, random forest, lightgbm model, xgboost model, ridge model and bagging model algorithms were compared, output results were evaluated and the accuracy value of 90.16% was obtained with random forest algorithm using different parameters.Keywords: prediction of heart disease, machine learning, random forest algorithm
Anahtar Kelimeler:
(AI):
Heart Disease
Machine Learning
Random Forest Algorithm
Data Set
Algorithms