Koroner Arter Hastalığı Sınıflandırılmasında Destek Vektör Makinelerinin Gri Kurt Optimizasyonuna Dayalı Özellik Seçim Yöntemi ile Geliştirilmesi

Abstract

Makine öğrenmesi yöntemleri, büyük veri kümelerinin analiz edilmesine olanak sağlayarak koroner arter rahatsızlığı ve/veya buna benzer hastalık ve durumların tespit edilmesinde kullanılan etkili bir araçtır. Büyük veri kümelerinde işlem hızını ve sınıflandırma başarımını etkileyen gereksiz veya kararı olumsuz yönde etkileyen veriler bulunabilmektedir. Özellik seçim tekniklerinin uygulanması gereksiz verilerin ortadan kaldırılmasına olanak sağlamaktadır. Bu çalışmada, koroner arter hastalığını teşhis etmek amacıyla en uygun özellik alt kümesini belirlemek üzere yeni bir sınıflandırma yöntemi önerilmiştir. Önerilen yöntem, öznitelik seçimi ve sınıflandırma olmak üzere iki ana aşamadan oluşmaktadır. Önerilen yöntemin performans doğrulaması için Cleveland kalp hastalığı veri seti kullanılmıştır. İlk aşamada, en iyi özellikleri bulmak için gri kurt optimizasyonu (GWO) kullanılmıştır. Kullanılan veri setinde bulunan 13 parametre arasında 7 en etkili parametre seçilmiş ve sınıflandırma işlemi bu 7 parametre üzerinden gerçekleştirilmiştir. İkinci aşamada, GWO'nun uygunluk fonksiyonu, destek vektör makinesi (SVM) sınıflandırıcısı kullanılarak değerlendirilmiştir. Çalışmada belirlenen uygunluk fonksiyonları SVM’de kullanılan çekirdek matrislerin farklı varyasyonları ile değerlendirilmiştir. Bu aşamada en yüksek doğruluk elde edilen çekirdek matris belirlenmiştir. Deneysel sonuçlar, önerilen GWO-SVM'nin lineer çekirdek matris kullanılarak %95.91 doğrulukta, %95.64 duyarlılıkta ve %91.66 başarı ile mevcut çalışmalara kıyasla daha yüksek başarım sağlandığını göstermiştir