Meme Kanseri Tespitinde Farklı Makine Öğrenmesi Yöntemleri Başarısının İncelenmesi
Yükleniyor...
Dosyalar
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Amaç: Bu çalışmanın amacı, makine öğrenimi yöntemlerini kullanarak kanseri yaşamın erken dönemlerinde belirlemektir.Gereç ve Yöntem: Bu amaçla, Wisconsin Diagnostic Breast Cancer veri setinin Naive Bayes, karar ağaçları, yapay sinir ağları ile sınıflandırılması yapılmış ve söz konusu makine öğrenme yöntemleri karşılaştırılmıştır. Uygulamalar için ‘KNIME Analytics Platform’ u kullanılmıştır. Sınıflandırma işlemi yapılmadan önce veri seti ön işlemeden geçirilmiştir. Ön işleme aşamasından sonra, verilere üç farklı sınıflandırıcı yöntem uygulanmıştır. Yöntemlerin başarısını ölçmek için doğruluk, duyarlılık, özgüllük, hata matrisleri ve ROC eğrileri kullanılmıştır.Bulgular: Uygulama sonuçları, Naive Bayes ve yapay sinir ağı yöntemlerinin tümörleri %96.5 doğrulukla doğru olarak sınıflandırdığını göstermektedir. Karar ağacı yönteminin sınıflandırmadaki başarısı %92.6 olarak elde edilmiştir. Sonuç olarak, her üç modelin üstün doğruluğa sahip sınıflandırma yaptığı söylenebilir.Sonuç: Makine öğrenme algoritmaları, meme kanseri teşhisinde tümörlerin kötü huylu veya iyi huylu olup olmadığını belirlemek için başarıyla kullanılabilir.
Objective: The aim of this study is to identify cancer earlier in life using machine learning methods.Methods: For this purpose, the Wisconsin Diagnostic Breast Cancer dataset was classified using Naive Bayes, decision trees, artificial neural networks algorithms and comparison of these machine learning methods was made. KNIME Analytics Platform was used for applications. Before the classification process, the dataset was preprocessed. After the pre-processing stage, three different classifier methods were applied to the dataset. Accuracy, sensitivity, specificity and confusion matrices were used to measure the success of the methods.Results: The results show that Naive Bayes and artificial neural network methods classify tumors with 96.5% accuracy. The success of the decision tree method in classification was 92.6%.Conclusion: The machine learning algorithms can be used successfully in breast cancer diagnosis to determine whether the tumors are malign or benign.
Objective: The aim of this study is to identify cancer earlier in life using machine learning methods.Methods: For this purpose, the Wisconsin Diagnostic Breast Cancer dataset was classified using Naive Bayes, decision trees, artificial neural networks algorithms and comparison of these machine learning methods was made. KNIME Analytics Platform was used for applications. Before the classification process, the dataset was preprocessed. After the pre-processing stage, three different classifier methods were applied to the dataset. Accuracy, sensitivity, specificity and confusion matrices were used to measure the success of the methods.Results: The results show that Naive Bayes and artificial neural network methods classify tumors with 96.5% accuracy. The success of the decision tree method in classification was 92.6%.Conclusion: The machine learning algorithms can be used successfully in breast cancer diagnosis to determine whether the tumors are malign or benign.
Açıklama
Anahtar Kelimeler
Meme kanseri teşhisi, Makine öğrenmesi, Naive Bayes, Karar ağaçları, Yapay sinir ağları, KNIME, Breast Cancer Diagnosis, Machine Learning, Naive Bayes, Decision Trees, Artificial Neural Networks
Kaynak
Konuralp Medical Journal
Konuralp Tip Dergisi
Konuralp Tip Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
13
Sayı
2
