Makine öğrenmesi yöntemleri kullanılarak felç (inme) tespiti
| dc.authorid | 0000-0002-3741-9468 | |
| dc.contributor.advisor | Çalışkan, Abidin | |
| dc.contributor.author | Ateş, Hadice | |
| dc.date.accessioned | 2024-10-22T08:51:09Z | |
| dc.date.available | 2024-10-22T08:51:09Z | |
| dc.date.issued | 2024-09-13 | |
| dc.department | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü Elektrik-Elektronik Mühendisliği Bölümü Anabilim Dalı | |
| dc.description.abstract | Felç, beyne giden kan akışının aniden kesilmesi olarak tanımlanır. Kan akışının kesildiği bölgedeki hücreler zamanla işlevselliğini kaybederek vücudun etkilenen bölgesinde kalıcı hasara neden olabilmektedir. Felç; yaş, mesleki durum, bazı kronik rahatsızlıklar ve ailede daha önce geçirmiş olan bireylerin bulunması gibi birçok etkene bağlı olabilir. Bu etkenlerin değerlendirilmesi ve felç riskinin tahmin edilmesi maliyet ve zaman bakımından oldukça fazla olduğundan kişinin kalıcı bir hasarla karşı karşıya olma tehlikesi artmaktadır. Günümüz teknolojisinde ise Yapay Zekâ ve Makine Öğrenmesi modellerinde son noktaya bakıldığında milyonlarca veri üzerinde iyileştirme yapılarak riskin olup olmadığı konusunda karar vermek saniyeler sürmektedir. Bu çalışmada da zamandan tasarruf edilerek insan sağlığının bu tehlikeden korunması hedeflenerek Makine Öğrenmesi yöntemlerinden olan Lojistik Regresyon, K-En Yakın Komşu, Destek Vektör Makineleri ve Karar Ağaçları modelleri kullanılarak bireyin felç geçirme riski taşıyıp taşımadığının en güvenilir şekilde belirlenmesi amaçlanmıştır. Çalışma sonucunda ise veri seti üzerinde en yüksek başarı oranını elde eden yöntemin %91 ile Karar Ağaçları metodu olduğu görülmüştür. Ardından başarı oranlarına göre yöntemlerin sıralaması ise %89 oranıyla Destek Vektör Makineleri, %81 oranıyla K-En Yakın Komşu modeli ve son olarak Lojistik Regresyon metodu %75 şeklinde sonuçlanmıştır. | |
| dc.description.abstract | Stroke is defined as the sudden interruption of blood flow to the brain. The cells in the area where blood flow is cut off can gradually lose their functionality, leading to permanent damage in the affected area of the body. Stroke can be influenced by various factors, such as age, occupational status, certain chronic diseases, and the presence of individuals in the family who have previously suffered from it. Because the assessment of these factors and the estimation of stroke risk can be quite costly and time-consuming, the likelihood of an individual facing permanent damage increases. In today's technology, the latest advancements in Artificial Intelligence and Machine Learning models allow for decisions regarding the presence of risk to be made in seconds by improving on millions of data points. This study aims to save time and protect human health from this danger by using Machine Learning methods such as Logistic Regression, K-Nearest Neighbors, Support Vector Machines, and Decision Trees to reliably determine whether an individual is at risk of having a stroke. As a result of the study, it was found that the method achieving the highest accuracy on the dataset was the Decision Trees method, with an accuracy of 91%. The ranking of the methods based on accuracy is as follows: Support Vector Machines at 89%, K-Nearest Neighbors at 81%, and finally, the Logistic Regression method at 75%. | |
| dc.identifier.citation | Ateş, H. (2024). Makine öğrenmesi yöntemleri kullanılarak felç (inme) tespiti. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12402/4816 | |
| dc.language.iso | tr | |
| dc.publisher | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Destek Vektör Makinaları | |
| dc.subject | Felç | |
| dc.subject | Karar Ağaçları | |
| dc.subject | Lojistik Regresyon | |
| dc.subject | Makine Öğrenmesi | |
| dc.subject | Support Vector Machines | |
| dc.subject | Stroke | |
| dc.subject | Decision Tree | |
| dc.subject | Logistic Regression | |
| dc.subject | Machine Learnin | |
| dc.title | Makine öğrenmesi yöntemleri kullanılarak felç (inme) tespiti | |
| dc.title.alternative | Stroke detection using machine learning methods | |
| dc.type | Master Thesis |
