Ceylan, RahimeBarstuğan, Mücahid2018-05-082018-05-082014-12-10Barstuğan, M. (2014). Özellik çıkarma ve DVM tabanlı AdaBoost algoritması ile biyomedikal veri sınıflandırma. Selçuk Üniversitesi, Yayımlanmış yüksek lisans tezi, Konya.https://hdl.handle.net/20.500.12395/10567Günümüzde makine öğrenme algoritmaları hastalığın tanı ve teşhisinde doktorlara yardımcı olmaktadır. Bu amaçla kullanılan öğrenme algoritmalarından bazıları Destek Vektör Makineleri, AdaBoost ve Yapay Sinir Ağları' dır. AdaBoost birden fazla zayıf sınıflandırıcının bir araya getirilmesi ile oluşturulan bir topluluk sınıflandırıcıdır. Tez çalışmasında AdaBoost topluluk sınıflandırıcısının biyomedikal veriler üzerindeki performansını artırmak için özellik seçme ve çıkarma algoritmaları ile uygulamalar gerçekleştirilmiştir. Bu amaçla Sıralı Özellik Seçimi ve Temel Bileşen Analizi algoritmaları olarak iki farklı özellik çıkarma algoritması kullanılmıştır. Bu algoritmalar ile biyomedikal verilerin en etkin özellikleri elde edilmiş; elde edilen özellikler Destek Vektör Makineleri tabanlı AdaBoost algoritması ile sınıflandırılarak sonuçlar karşılaştırılmıştır. Karşılaştırma için UCI veri tabanından alınan göğüs kanseri, Pima diyabet, karaciğer düzensizliği ve EKG verileri kullanılmıştır.Machine learning algorithms helps doctors on diagnosis and diagnostics. Support Vector Machines, Neural Networks and AdaBoost algorithms are some machine learning algorithms used for this purpose. AdaBoost is an ensemble classifier which is obtained by combining a number of weak classifiers. In this study, some experiments were done with feature selection and extraction algorithms to increase the performance of AdaBoost ensemble classifier on biomedical dataset. Thus, Forward Feature Selection and Principal Component Analysis algorithms were used as two different feature extraction algorithms. By these algorithms, the most effective features of biomedical data were obtained, and they were classified with SVM based AdaBoost algorithm. The breast cancer, pima diabetes, liverdisorders and ECG dataset which were taken from UCI were classified and obtained results were compared.trinfo:eu-repo/semantics/openAccessAdaBoostBiyomedikal veri sınıflandırmaMakine öğrenmesiÖzellik çıkarmaTopluluk sınıflandırıcıBiomedical data classificationEnsemble classifierFeature extractionMachine learningMaster Thesis