Bu çalışma, makine öğrenmesi algoritmalarının kullanıldığı bir diyabet tahmin modelinin geliştirilmesi ve performansının karşılaştırılması üzerine odaklanmaktadır. Veri seti, "diabetes.csv" adlı dosyada bulunan klinik ve demografik özelliklere dayanmaktadır. Çalışma, model performansını değerlendirmek için doğruluk, hassasiyet, özgüllük, F1 puanı, ROC eğrisi ve AUC değeri gibi çeşitli değerlendirme ölçütlerini içermektedir. Çalışmanın ilk aşamasında, veri seti keşfedilmiş, temizlenmiş ve ön işleme adımları gerçekleştirilmiştir. Daha sonra, lojistik regresyon, Naive Bayes, KNN, SVM, karar ağaçları, random forests, gradient boosting, XGBoost, CatBoost ve yapay sinir ağları gibi farklı makine öğrenmesi algoritmaları kullanılarak modeller oluşturulmuştur. Elde edilen modellerin performansı çeşitli metriklerle değerlendirilmiştir. Doğruluk, hassasiyet, özgüllük, F1 puanı ve AUC değeri gibi ölçütler kullanılarak modellerin karşılaştırılması yapılmıştır. Sonuçlar, her bir modelin diyabet tahminindeki gücünü ve zayıflıklarını ortaya koymaktadır. Bu çalışma, diyabet tahmininde kullanılan farklı makine öğrenmesi modellerinin performansını değerlendirerek, hangi modelin daha etkili olduğunu belirlemeyi amaçlamaktadır.
Eser Adı (dc.title) | MAKİNE ÖĞRENMESİ MODELLERİNİN DİYABET TAHMİNİNDEKİ PERFORMANSLARININ KARŞILAŞTIRILMASI |
Eser Sahibi (dc.contributor.author) | Recai Cem KAHVECİ |
Tez Danışmanı (dc.contributor.advisor) | Aytuğ ONAN |
Yayıncı (dc.publisher) | İzmir Katip Çelebi Üniversitesi Fen Bilimleri Enstitüsü |
Tür (dc.type) | Diğer |
Açıklama (dc.description) | Yüksek lisans bitirme projesi |
Özet (dc.description.abstract) | Bu çalışma, makine öğrenmesi algoritmalarının kullanıldığı bir diyabet tahmin modelinin geliştirilmesi ve performansının karşılaştırılması üzerine odaklanmaktadır. Veri seti, "diabetes.csv" adlı dosyada bulunan klinik ve demografik özelliklere dayanmaktadır. Çalışma, model performansını değerlendirmek için doğruluk, hassasiyet, özgüllük, F1 puanı, ROC eğrisi ve AUC değeri gibi çeşitli değerlendirme ölçütlerini içermektedir. Çalışmanın ilk aşamasında, veri seti keşfedilmiş, temizlenmiş ve ön işleme adımları gerçekleştirilmiştir. Daha sonra, lojistik regresyon, Naive Bayes, KNN, SVM, karar ağaçları, random forests, gradient boosting, XGBoost, CatBoost ve yapay sinir ağları gibi farklı makine öğrenmesi algoritmaları kullanılarak modeller oluşturulmuştur. Elde edilen modellerin performansı çeşitli metriklerle değerlendirilmiştir. Doğruluk, hassasiyet, özgüllük, F1 puanı ve AUC değeri gibi ölçütler kullanılarak modellerin karşılaştırılması yapılmıştır. Sonuçlar, her bir modelin diyabet tahminindeki gücünü ve zayıflıklarını ortaya koymaktadır. Bu çalışma, diyabet tahmininde kullanılan farklı makine öğrenmesi modellerinin performansını değerlendirerek, hangi modelin daha etkili olduğunu belirlemeyi amaçlamaktadır. |
Kayıt Giriş Tarihi (dc.date.accessioned) | 2024-02-23 |
Açık Erişim Tarihi (dc.date.available) | 2024-02-23 |
Yayın Tarihi (dc.date.issued) | 2024 |
Tek Biçim Adres (dc.identifier.uri) | https://hdl.handle.net/11469/3876 |
Yayın Dili (dc.language.iso) | tr |
Konu Başlıkları (dc.subject) | Makine Öğrenmesi |
Konu Başlıkları (dc.subject) | Mühendislik |
Haklar (dc.rights) | Open access |