Tiroid ve kronik böbrek hastalığı verilerinin sınıflandırılmasında genetik algoritmalar ve pca ile hibrit özellik seçimi
| dc.authorid | 0000-0003-4975-6418 | en_US |
| dc.authorid | 0000-0003-4573-7025 | en_US |
| dc.contributor.author | Mat, Ayşe Nagehan | |
| dc.contributor.author | İnan, Onur | |
| dc.date.accessioned | 2023-03-18T21:10:49Z | |
| dc.date.available | 2023-03-18T21:10:49Z | |
| dc.date.issued | 2020 | en_US |
| dc.department | Başka Kurum | en_US |
| dc.description.abstract | Bu çalışmada tiroid ve kronik böbrek hastalığının teşhisinde k-nearest neighbors sınıflandırıcının performansını arttırmak amacıyla genetik algoritmalar ve temel bileşenler analizi (PCA) hibrit şekilde kullanılmış ve yeni bir özellik seçimi yöntemi önerilmiştir. Hibrit özellik seçimi yönteminde elde edilen uygulama sonuçları, veri setlerinin özellik seçimi uygulanmamış başlangıç performansıyla karşılaştırılmıştır. Sonuç olarak önerilen hibrit metotla birlikte sınıflandırma başarısı tiroid veri seti için %93.44’ten %95.89’a, böbrek veri seti için %93.75’ten %98.25’e çıkarılmıştır. Sonuçların tutarlı olması için her iki veri setine 10-kat çapraz doğrulama yapılmıştır. | en_US |
| dc.description.abstract | In this study, genetic algorithms and principal component analysis (PCA) were used in a hybrid way to increase the performance of the k-nearest neighbors classifier in the diagnosis of thyroid and chronic kidney disease, and a new feature selection method was proposed. The application results obtained in the hybrid feature selection method were compared with the initial performance of the data sets before the feature selection was applied. As a result, with the proposed hybrid method, the classification success was increased from 93.44% to 95.89% for the thyroid data set and from 93.75%to 98.25%for the kidney data set. A 10-fold cross validation was applied to both data sets to ensure consistent results. | en_US |
| dc.identifier.citation | Mat, A. N., İnan, O., (2020).Tiroid ve kronik böbrek hastalığı verilerinin sınıflandırılmasında genetik algoritmalar ve pca ile hibrit özellik seçimi Selcuk University Journal of Engineering Sciences, 19, (3), 137-155. | en_US |
| dc.identifier.endpage | 155 | en_US |
| dc.identifier.issn | 1302-6178 | en_US |
| dc.identifier.issue | 3 | en_US |
| dc.identifier.startpage | 137 | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/46165 | |
| dc.identifier.volume | 19 | en_US |
| dc.language.iso | tr | en_US |
| dc.publisher | Selçuk Üniversitesi | en_US |
| dc.relation.ispartof | Selcuk University Journal of Engineering Sciences | en_US |
| dc.relation.publicationcategory | Makale - Uluslararası Hakemli Dergi - Başka Kurum Yazarı | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.selcuk | 20240510_oaig | en_US |
| dc.subject | Genetik Algoritmalar | en_US |
| dc.subject | PCA | en_US |
| dc.subject | Özellik Seçimi | en_US |
| dc.subject | K-nearest neighbors | en_US |
| dc.subject | Genetic Algorithms | en_US |
| dc.subject | Feature Selection | en_US |
| dc.title | Tiroid ve kronik böbrek hastalığı verilerinin sınıflandırılmasında genetik algoritmalar ve pca ile hibrit özellik seçimi | en_US |
| dc.title.alternative | Hybrıd feature selectıon usıng genetıc algorıthms and pca ın classıfıcatıon of thyroıd and chronıc kıdney dısease data | en_US |
| dc.type | Article | en_US |
