Metasezgisel yöntemlerle öznitelik sayısını azaltarak diyabetin erken dönemde tespiti
Tuğberk Özmen1, Üzeyir Kuzu2, Yücel Koçyiğit3, Haldun Sarnel31Manisa Celal Bayar Üniversitesi, Manisa Teknik Bilimler Meslek Yüksekokulu, Elektrik Ve Enerji Bölümü, Manisa2Manisa Celal Bayar Üniversitesi, Manisa Teknik Bilimler Meslek Yüksekokulu, Elektronik Ve Otomasyon Bölümü, Manisa
3Manisa Celal Bayar Üniversitesi, Mühendislik Fakültesi, Elektrik Elektronik Mühendisliği Bölümü, Manisa
Diyabet dünya çapında yaygın olarak görülen metabolik bir hastalıktır. Dünya genelinde her geçen yıl diyabet hastalığına yakalanan kişi sayısının artması beklenmektedir. Bu da hem kişilerin yaşam konforları hem de sağlık sistemi için olumsuz bir etki demektedir. Bu açıdan hastalığın erken dönemde teşhis edilmesi önem taşımaktadır. Teşhis amacıyla kullanılan verilerin yüksek boyutlu olması hesaplamanın maliyeti ve süresi üzerinde olumsuz etkiye sahiptir. Bunun önüne geçmek için, teşhis için en değerli olan özniteliklerin seçilmesi önem arz etmektedir. Bu çalışmada UCI (UCI Machine Learning Repository) veri deposundaki örnekler kullanılarak, Salp Sürü Algoritması, Yapay Arı Kolonisi Algoritması, Balina Optimizasyon Algoritması ve Karınca Kolonisi Algoritması kullanılarak öznitelik seçimi yapılmıştır. Seçilen özniteliklerin değerlendirilmesi için k-En Yakın Komşuluk (KNN), Naive Bayes (NB), Destek Vektör Makinası (DVM) ve Yapay Sinir Ağları (YSA) yöntemleri kullanılarak doğruluk, duyarlılık ve belirlilik parametreleri hesaplanmıştır. Diyabet hastası olma olasılığı için yapılan hesaplamalarda k-En Yakın Komşuluk yöntemiyle %99,04 doğruluk oranı elde edilmiştir.
Anahtar Kelimeler: Diyabet, Metasezgisel, Salp sürü, Yapay arı kolonisi, Balina Sürüsü, Karınca Kolonisi, Öznitelik seçimiEarly stage diabetes prediction by features selection with metaheuristic methods
Tuğberk Özmen1, Üzeyir Kuzu2, Yücel Koçyiğit3, Haldun Sarnel31Manisa Celal Bayar University, Manisa Vocational School Of Technical Sciences, Department Of Electricity And Energy, Manisa2Manisa Celal Bayar University, Manisa Vocational School Of Technical Sciences, Department Of Electronics And Automation, Manisa
3Manisa Celal Bayar University, Faculty Of Engineering, Department Of Electrical And Electronics Engineering, Manisa
Diabetes is a metabolic disease that is common worldwide. The number of people suffering from diabetes is expected to increase every year around the world. This means a negative impact on both the comfort of life of individuals and the health system. In this respect, it is important to diagnose the disease at an early stage. The high dimensionality of the data used for diagnostic purposes has a negative effect on the cost and time of the calculation. To avoid this, it is important to select the most valuable features for diagnosis. In this study, feature selection was made using Salp Swarm Algorithm, Artificial Bee Colony Algorithm, Whale Optimization Algorithm and Ant Colony Algorithm using the samples in the UCI (UCI Machine Learning Repository) data store. In order to evaluate the selected features, accuracy, sensitivity and specificity parameters were calculated using k-Nearest Neighborhood (KNN), Naive Bayes (NB), Support Vector Machine (SVM) and Artificial Neural Networks (ANN) methods. In the calculations for the probability of having diabetes, an accuracy rate of 99,04% was obtained with the k-Nearest Neighborhood method.
Keywords: Diabetes, Metaheuristic, Salp Swarm, Artificial Bee Colony, Whale Swarm, Ant Colony, Feature SelectionSorumlu Yazar: Tuğberk Özmen, Türkiye
Makale Dili: Türkçe