An approach based on data mining and feature dimension reduction techniques for analysing heart disease data
Kalp hastalığı verilerinin analizinde veri madenciliği ve öznitelik boyut azaltma tekniklerine dayalı bir yaklaşım
- Tez No: 1010053
- Danışmanlar: PROF. DR. HÜSEYİN POLAT
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimi ve Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kalp hastalıkları dünya çapında önde gelen ölüm nedenlerinden biri olmaya devam etmekte olup, erken ve doğru tanı modern sağlık sisteminde kritik bir zorluk teşkil etmektedir. Geleneksel tanı yöntemleri genellikle zaman alıcı, maliyetli ve invazivdir. Veri madenciliği ve makine öğrenmesi tabanlı yaklaşımlar ise verimli ve veri odaklı bir alternatif sunmaktadır. Ancak performansları, özellikle yüksek boyutlu tıbbi veri kümelerinde, etkili öznitelik seçimine büyük ölçüde bağlıdır. Bu tez, öznitelik boyutunu azaltmak ve tanı doğruluğunu artırmak için veri madenciliği ve makine öğrenmesini meta sezgisel öznitelik seçimi teknikleri ile entegre ederek kalp hastalığı tahminine yönelik bir yaklaşım önermektedir. Önerilen yaklaşımı değerlendirmek için Cleveland, Güney Afrika ve Statlog olmak üzere üç kıyaslama veri kümesi kullanılmıştır. İlk olarak, mevcut tüm öznitelikler kullanılarak Destek Vektör Makinesi, Karar Ağacı, Yapay Sinir Ağı ve Topluluk Öğrenme yöntemlerinin temel performansı değerlendirilmiştir. Daha sonra, Denizanası Optimizasyon Algoritması, Genetik Algoritma, İkili Atom Arama Optimizasyonu, Karınca Kolonisi Optimizasyonu, Parçacık Sürü Optimizasyonu ve hibrit Karınca Kolonisi Optimizasyonu-Parçacık Sürü Optimizasyonu yaklaşımı dahil olmak üzere çeşitli meta sezgisel algoritmalar kullanılarak optimize edilmiş öznitelik alt kümeleri elde edilmiştir. Deneysel sonuçlar, meta sezgisel tabanlı öznitelik seçiminin, hesaplama karmaşıklığını azaltırken sınıflandırma performansını önemli ölçüde iyileştirdiğini göstermektedir. Değerlendirilen yöntemler arasında, önerilen yaklaşım, temel modele ve literatürdeki mevcut yöntemlere kıyasla tüm veri kümelerinde daha üstün doğruluk, hassasiyet, geri çağırma ve F1 puanı elde etmektedir. Bulgular, veri madenciliği ve makine öğrenimi modellerinin meta sezgisel özellik seçimi stratejisiyle birleştirilmesinin, otomatik kalp hastalığı teşhisinin güvenilirliğini ve etkinliğini artırdığını doğrulamaktadır. Bu çalışma, klinik uygulamalarda kalp hastalığının erken teşhisi için sağlam, ölçeklenebilir ve uygun maliyetli bir karar destek sisteminin geliştirilmesine katkıda bulunabileceğini göstermektedir.
Özet (Çeviri)
Heart diseases remain one of the leading causes of mortality worldwide, making early and accurate diagnosis a very critical challenge in the modern healthcare system. Traditional diagnostic methods are often time-consuming, costly and invasive, while data mining and machine learning (ML) based approaches offer efficient and data-driven alternatives; however, their performance is highly dependent on effective feature selection, particularly in high-dimensional medical datasets. This thesis proposes an approach to heart disease prediction that integrates data mining and machine learning with an advanced metaheuristic feature selection technique to reduce feature dimensionality and enhance diagnostic accuracy. Three benchmark datasets Cleveland, South Africa and Statlog was utilized to evaluate the proposed approach. Firstly, baseline performance of Support Vector Machine, Decision Tree, Artificial Neural Network and Ensemble Learning methods were assessed using all available features. After that, optimized feature subsets were obtained using several metaheuristic algorithms, including Jellyfish Optimization Algorithm, Genetic Algorithm, Binary Atom Search Optimization, Ant Colony Optimization, Particle Swarm Optimization and a hybrid ACO–PSO approach. The experimental results demonstrate that metaheuristic-based feature selection significantly improves classification performance while reducing computational complexity. Among the evaluated methods, the proposed approach achieves more superior accuracy, precision, recall and F1-score across all datasets compared to the baseline model and existing methods in the literature. The findings confirm that combining data mining and machine learning models with metaheuristic feature selection strategies enhances the reliability and effectiveness of automated heart disease diagnosis. This study contributes to the development of a robust, scalable, and cost-effective decision support system for early detection of heart disease in clinical practice.
Benzer Tezler
- Aksolotl kol rejenerasyonu alanında mikrobiyota ve transkriptom verisinin madenciliği vasıtasıyla yeni aday biyobelirteçlerin keşfi
Discovery of novel candidate biomarkers in the field of axolotl limb regeneration through mining of axolotl microbiota and transcriptome data
MUHAMMED MUSTAFA ÖGDÜR
Yüksek Lisans
Türkçe
2022
Biyoistatistikİstanbul Medipol ÜniversitesiSağlık Sistemleri Mühendisliği Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ KIVANÇ KÖK
- Yinelemeli sinir ağları ile sermaye piyasası yön tahmini üzerine bir çalışma
A study on direction prediction of capital markets with recurrent neural networks
MUHİDDİN ÇAĞLAR EREN
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Alümina fiber takviyeli Al-si metal matriksli kompozitlerin üretimi ve mikroyapı-özellik ilişkilerinin incelenmesi
production of alumina fiber reinforced Al-si metal matrix composites and the investigation of their microstructure-propetry relation ships
HATEM AKBULUT
- Hidrokarbonların detonasyonu
Detonation hydrocarbons
SEHER ÖZKAN
Yüksek Lisans
Türkçe
1997
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. A. KORHAN BİNARK