Makine Öğrenmesi Sınıflandırma Algoritmalarının ve Parametrelerinin Göğüs Kanseri Tanı Tahminleri

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen-Edebiyat Fakültesi, Matematik Bölümü, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: Yunus Emre DEMİREL

Danışman: Mutlu Akar

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Makine öğrenmesi, veri analitiği ve bilişim alanlarında hızla ilerleyen ve geniş uygulama yelpazesiyle dikkat çeken bir disiplindir. Bu alandaki algoritmalar, veri temelli modeller oluşturarak etkili ve doğru kararlar alabilme yetenekleri sayesinde büyük ilgi görmektedir. Özellikle göğüs kanseri gibi karmaşık hastalıkların tanısında makine öğrenmesi algoritmaları kritik bir rol oynamaktadır. Dünya genelinde kadınlar arasında en yaygın kanser türü olan göğüs kanserinin erken tanısı, tedavi başarısını ve hasta yaşam kalitesini önemli ölçüde artırmaktadır. Bu çalışma, çeşitli makine öğrenmesi algoritmalarının göğüs kanseri tanısındaki performanslarını detaylı bir şekilde karşılaştırarak, klinik uygulamalara ışık tutmayı, daha doğru tanıların yapılmasına katkıda bulunmayı ve makine öğrenmesi teknolojilerinin tıbbi tanı süreçlerindeki potansiyelini ortaya koyarak, sağlık hizmetlerinde inovasyon ve gelişime katkı sağlamayı amaçlamaktadır. Çalışmamızda, göğüs kanseri araştırmalarında yaygın olarak kullanılan LR, SVM-SVC, KNN-KNC, NB-BNB, DT, RF, AB ve NN-MLP algoritmalarının yanı sıra SGD, Ridge, Perceptron, PA, LDA, NC, GPC, GB ve HGB olmak üzere 17 farklı makine öğrenmesi sınıflandırma algoritmasının göğüs kanseri tanısındaki başarıları incelenmiştir. Her bir algoritma için modeller WDBC veri seti kullanılarak eğitilmiştir. Algoritmaların performansları AC, SE/RE, SP, PR, F, NPV, FPR, FDR ve FNR olmak üzere 9 farklı metrik ile değerlendirilmiştir. Ayrıca algoritmaların çeşitli parametre ayarlarının etkileri de incelenmiş olup, DT için min_samples_split, min_samples_leaf ve min_weight_fraction_leaf; RF için n_estimators parametrelerinin varsayılan değerlerinden farklı bazı değerleri için varsayılan değerlere göre algoritmaların daha yüksek tanı başarı oranları sağladıkları görülmüştür. Bu çalışma, göğüs kanseri tanısında makine öğrenmesi algoritmalarının ve parametrelerinin etkilerini inceleyerek, bu alandaki literatüre önemli bir katkı sunmayı hedeflemektedir. Kapsamlı analizimiz, farklı algoritmalar ve parametre ayarlarının göğüs kanseri tanısında nasıl bir performans sergilediğini ortaya koyarak, hangi yöntemlerin daha etkili olduğunu belirlemeye yardımcı olmaktadır. Sonuçlar, makine öğrenmesi algoritmalarının klinik uygulamalarda nasıl daha iyi kullanılabileceğine dair değerli bilgiler sağlamaktadır.