Academic Journals Database
Disseminating quality controlled scientific knowledge

Tıbbi Tahminde Alternatif Bir Yaklaşım: Destek Vektör Makineleri

ADD TO MY LIST
 
Author(s): Özge YILMAZ AKŞEHİRLİ | Handan ANKARALI | Duygu AYDIN | Özge SARAÇLI

Journal: Turkiye Klinikleri Journal of Biostatistics
ISSN 1308-7894

Volume: 5;
Issue: 1;
Start page: 19;
Date: 2013;
Original page

Keywords: Sınıflandırma | veri madenciliği | destek vektör makinaları | gece-yeme sendromu

ABSTRACT
Amaç: Bu çalışma, birçok alanda sıklıkla kullanılan destek vektör makinelerinin (DVM) tıbbi araştırmalarda kullanımına yönelik bir uygulama olarak düşünülmüş ve tıbbi bir çalışma verisi kullanılarak DVM yönteminin veriyi doğru sınıflama başarısını ortaya koymak amaçlanmıştır. Gereç ve Yöntemler: Çalışmamızda, verileri sınıflandırmak veya tahmin yapmak amacıyla kullanılan, eğiticili (supervised) bir makine öğrenmesi yöntemi olan DVM kullanılmıştır. Burada, doğrusal olmayan ilişkiler için iki sınıflı DVM yönteminin bir uygulaması yapılmıştır. DVM’nin temelini, verilerin bir düzlem veya hiper düzlem ile ayrılarak sınıflandırılması işlemi oluşturmakta ve DVM bu işlemi, iki sınıf arasındaki marjini maksimum yaparak gerçekleştirmektedir. Bu şekilde veri eğitildikten sonra, DVM yeni gelen veriyi doğru sınıflamayı amaçlamaktadır. Tıpta DVM özellikle, kanser morfolojisinde, tedavi başarısının ve ilgili genin belirlenmesinde, çeşitli hastalıkların teşhisinde kullanılmaktadır. Araştırmanın uygulama bölümünde, Zonguldak Karaelmas Üniversitesi Tıp Fakültesi psikiyatri polikliniğine 1-31 Ocak 2011 tarihleri arasında gece yeme sendromu şikâyetiyle başvuran 433 hastaya ilişkin bilgiler kullanılmıştır. Bulgular: Kullanılan 17 değişken için tanımlayıcı istatistikler elde edilmiş ve univariate analizlerden elde edilen sonuçlara göre, GYA, BSQ ve SCL puanları, medeni durum, sigara kullanımı ve psikolojik tanı değişkenlerinin gece yeme sendromu tanısı koymada tek başına etkileri olduğu sonucuna varılmıştır. Doğrusal olmayan destek vektör makineleri kullanılarak elde edilen sonuçlar incelendiğinde, eğitim ve test verileri için doğruluk ve ROC eğrisi altında kalan alanlara bakılarak, modelin tanı koyma başarısının oldukça iyi derecede olduğu görülmüştür. Sonuç: DVM yöntemi, istatistiksel öğrenme teorisine dayanan yeni ve doğrusal olmayan, karmaşık yapıya sahip verileri sınıflamada etkin bir yöntemdir ve bu nedenle birçok sınıflama yöntemine tercih edilebilmektedir.
Why do you need a reservation system?      Save time & money - Smart Internet Solutions