Makine Öğrenmesi ile Matematiksel Modelleme ve İyileştirme Önerileri

---

Tezin Türü: Yüksek Lisans

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

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: Pınar Daşdemir

Danışman: Filiz Kanbay

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Makine öğrenmesi ve yapay zeka günümüzde birçok alanda olduğu gibi sağlık alanında da sınıflandırma, kümeleme ve tahmin gibi amaçlarla etkin bir şekilde kullanılmaktadır. Özellikle bazı hastalıkların erken teşhisi ve risk tahmini gibi kritik süreçlerde bu teknikler, sağlık alanında yenilikçi ve hayati öneme sahip uygulamalar geliştirilmesine olanak tanımaktadır. 6 bölümden oluşan bu tez çalışmasında diyabet hastalığının erken tanısı için Anaconda Navigator ortamında Python dili kullanılarak K-En yakın komşu, Naive Bayes, Destek vektör makineleri, Rastgele orman, Karar ağaçları, Lojistik regresyon ve Boosting makine öğrenmesi sınıflandırma algoritmaları ile modellemeler oluşturulmuştur. Tez çalışmasının birinci bölümünde tezin amacı ve literatür özeti açıklanmıştır. İkinci bölümünde ise makine öğrenmesinde kullanılan sınıflandırma algoritmaları ile ilgili bazı temel bilgiler verilmiştir. Veri setinin orijinal öznitelikleri ile sınıflandırma başarıları incelenen üçüncü bölümde ayrıca temel bileşen analizi ve komşuluk bileşen analizi kullanılarak öznitelik sayıları ikiye indirilmiş ve verinin düzlemde görselleştirilmesi sağlanmıştır. Tezin dördüncü bölümünde toplam varyansı maksimum olarak koruyan azaltılmış sayıdaki öznitelikler ile işlem tekrarlanmıştır. Beşinci bölümde ise öznitelikler ortak özellikleri koruyan alt gruplara ayrılmış ve her bir alt gruptaki öznitelik sayıları, kendi özniteliklerinin toplam varyansı maksimum olarak korunacak şekilde azaltılmıştır. Elde edilen alt öznitelikler birleştirilerek sınıflandırma algoritmaları ile model başarıları incelenmiştir ve sınıflandırmadaki öznitelik önem sıralaması yapılmıştır. Böylece sınıflandırma başarısına etki eden alt gruplar belirlenmiştir. En etkin alt gruplar mevcut öznitelikler cinsinden ağırlıklandırılarak diyabet hastalığına eşlik eden diyabetin komplikasyonlarını ve hastanın genel sağlığı üzerindeki etkilerini anlamada önemli bir rol oynayan yan semptomların diyabet üzerindeki etkileri gözlemlenmiştir. Altıncı bölümde beşinci bölümde yapılan işlemlere benzer olarak öznitelikler ortak özellikleri koruyan alt gruplara ayrılmış ve LDA ile her bir alt gruptaki öznitelikleri temsil eden yeni tek bir öznitelik elde edilmiştir. Elde edilen alt öznitelikler birleştirilerek oluşmuş veri seti için sınıflandırma algoritmaları ile model başarıları incelenmiştir ve sınıflandırmadaki öznitelik önem sıralaması yapılmıştır. Modellemedeki en etkin öznitelikler tespit edilerek bu özniteliklerin ait olduğu alt gruptaki özniteliklerin diyabet sınıflandırmasındaki ağırlıklandırılması elde edilmiştir.