Feature engineering in biomedical data processing- a case study
Yükleniyor...
Dosyalar
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Günümüzde sağlık alanında yapılan yapay zekâ çalışmalarının en önemli girdisi sağlık verisidir. Sağlık verisinin alan bilgisi uzmanları ve hekimler tarafından toplanması ve makine öğrenme algoritmalarında eğitilmesi oldukça zahmetli bir iş olup bu verilerin doğru algoritma ve parametreler ile işlenmesi, çalışmaların başarısını ortaya koymaktadır. Bu nedenlerden ötürü sağlık verisini işlemek isteyen akademisyenlere yol gösterici olması arzusu ile bir biyomedikal veri seti üzerinde özellik mühendisliği pilot çalışması amaçlandı. Bu amaç doğrultusunda uluslararası bir veri tabanından kalp yetmezliği ile ilgili örnek bir veri seti kullanıldı. Bu tezin amacına uygun olarak belirlenen veriler üzerinde yapay zekâ yöntemleri ve parametre optimizasyonu için farklı modeller kurularak deneysel çalışmalar yapıldı.
Yapılan bu çalışmada veri seti üzerinde tahmine dayalı öğrenme modelleri kullanılarak hangi yapay zekâ algoritmalarının hangi parametre setleri ile en doğru sonuca ulaşıldığı raporlandı. Sonuçlar incelendiğinde özellik mühendisliğinin veri seti üzerindeki olumlu-olumsuz performans değişimlerini kıyaslayarak karar destek sistemi oluşturmak isteyen akademisyenlere önerilerde bulunuldu. Gelecek çalışmalara zemin olacağı düşünülen bu çalışmanın farklı alanlardaki sağlık verileri için de örnek alınabileceği öngörülmektedir.
Today, the most important input of artificial intelligence studies in the field of health is medical data. The collection of medical data by field specialists and physicians and training the machine learning algorithms is a very laborious task and processing these data with the right algorithms and parameters determines the success of the study. For these reasons, a dataset on heart failure from an international database was used as a model study by feature engineering on a biomedical dataset, with the desire to guide academics who want to process health data. For this thesis, experimental studies were carried out for parameter optimization with artificial intelligence methods. In this study, which artificial intelligence algorithm performs best is specified, by using predictive learning models on the data set. When the results were examined, suggestions were made to the academicians who wanted to create a decision support system by comparing the positive-negative performance changes on the feature engineering dataset. This study is believed to form a basis for future studies, which also may set an example for health data in different fields.
Today, the most important input of artificial intelligence studies in the field of health is medical data. The collection of medical data by field specialists and physicians and training the machine learning algorithms is a very laborious task and processing these data with the right algorithms and parameters determines the success of the study. For these reasons, a dataset on heart failure from an international database was used as a model study by feature engineering on a biomedical dataset, with the desire to guide academics who want to process health data. For this thesis, experimental studies were carried out for parameter optimization with artificial intelligence methods. In this study, which artificial intelligence algorithm performs best is specified, by using predictive learning models on the data set. When the results were examined, suggestions were made to the academicians who wanted to create a decision support system by comparing the positive-negative performance changes on the feature engineering dataset. This study is believed to form a basis for future studies, which also may set an example for health data in different fields.
Açıklama
Anahtar Kelimeler
Biomedical data processing, Feature engineering, Heart failure, Biyomedikal veri işleme, Özellik mühendisliği, Kalp yetmezliği
