Meme Kanseri Tespitinde Farklı Makine Öğrenmesi Yöntemleri Başarısının İncelenmesi

Basit Öğe Kaydı
dc.contributor.authorAteş, İbrahim
dc.contributor.authorBilgin, Turgay Tugay
dc.date.accessioned2024-12-28T20:28:51Z
dc.date.available2024-12-28T20:28:51Z
dc.date.issued2021
dc.description.abstractAmaç: 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.
dc.description.abstractObjective: 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.
dc.identifier.dergiparkDergiPark: 912462
dc.identifier.doi10.18521/ktd.912462
dc.identifier.endpage356
dc.identifier.issn1309-3878
dc.identifier.issn1309-3878
dc.identifier.issue2
dc.identifier.startpage347
dc.identifier.urihttps://doi.org/10.18521/ktd.912462
dc.identifier.urihttps://dergipark.org.tr/tr/download/article-file/1695036
dc.identifier.urihttps://dergipark.org.tr/tr/pub/ktd/issue/62712/912462
dc.identifier.urihttps://hdl.handle.net/20.500.12684/17930
dc.identifier.volume13
dc.language.isoen
dc.publisherDüzce Üniversitesi
dc.relation.ispartofKonuralp Medical Journal
dc.relation.ispartofKonuralp Tip Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_20241228
dc.subjectMeme kanseri teşhisi
dc.subjectMakine öğrenmesi
dc.subjectNaive Bayes
dc.subjectKarar ağaçları
dc.subjectYapay sinir ağları
dc.subjectKNIME
dc.subjectBreast Cancer Diagnosis
dc.subjectMachine Learning
dc.subjectNaive Bayes
dc.subjectDecision Trees
dc.subjectArtificial Neural Networks
dc.titleMeme Kanseri Tespitinde Farklı Makine Öğrenmesi Yöntemleri Başarısının İncelenmesi
dc.title.alternativeThe Investigation of the Success of Different Machine Learning Methods in Breast Cancer Diagnosis
dc.typeArticle

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Tam Metin / Full Text
Boyut:
1.13 MB
Biçim:
Adobe Portable Document Format
İndir

Koleksiyon

Konuralp Tip Dergisi Koleksiyonu
TR-Dizin İndeksli Yayınlar Koleksiyonu