Kolektif öğrenmede sınıf dengesizliği problemi: Hastalık tanısı sınıflandırma
The class imbalance problem in ensemble learning: Disease diagnosis classification
- Tez No: 565503
- Danışmanlar: DOÇ. DR. ERALP DOĞU
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Klinik karar verme, yanlış bir teşhis konulması sonucunda hastanın yaşamını olumsuz yönde etkileyebilmesi nedeniyle oldukça önemli bir süreçtir. Günümüzde teknolojinin hızla ilerlemesi ile birlikte sağlık alanında çok büyük veri setleri oluşmuştur. Oluşan bu veri setlerinden anlamlı ve yorumlanabilir bilgi elde edebilmek için makine öğrenmesi yöntemlerinden yararlanılmaktadır. Fakat makine öğrenmesi günümüz gerçek dünya verilerinde çoğu zaman verilerin yorumlanmasını, verilerden oluşturulan modelleri ve verilere dayanarak verilen kararları etkileyebilecek problemlere sahiptir. Bu problemlerden olan sınıf dengesizliği problemi tanısal hataya yol açabileceği ve öğrenme performansını doğrudan etkileyebileceği belirtilmektedir. Sınıf dengesizliği problemi, belirli bir sınıfın diğer sınıflara oranla daha az temsil edildiği durum olarak tanımlanmaktadır. Bu sebeple bir sınıflandırma modelinde, sınıf dengesizliği problemi varlığında veri setindeki azınlık sınıfı üzerine daha yüksek tanımlama oranları elde edebilmesi çok önemlidir. Bu ise özellikle tanının güvenilirliğinin arttırılmasında yararlanılan kolektif öğrenme ve yeniden örnekleme yöntemleri ile mümkündür. Kolektif öğrenme, çoklu sınıflandırıcı sistemlerinin kullanıldığı yöntemlerdir. Ancak sınıf dengesizliğinin çok fazla olduğu durumlarda bu yöntemlerin performansı da olumsuz etkilenmektedir. Bu nedenle sınıf dengesizliği problemi varlığında ek bir prosedür olarak yeniden örnekleme yöntemleri önerilmektedir. Yeniden örnekleme yöntemleri dengesiz veri setlerinin sınıf dağılımını dengelemek ve sınıflandırma üzerindeki etkisinin ortadan kaldırılmak için yaygın olarak kullanılan yöntemler olarak tanıtılmaktadır. Bu tez, sınıf dengesizliği probleminin önemini ve bu problemin çözümünü ele almaktadır. Çalışmada sınıf dengesizliği problemi olan veri setlerinde yeniden örnekleme yöntemleri dengesizlik probleminin giderilmesinde kullanılmış ve kolektif öğrenme algoritmalarına entegre edilerek sınıflandırma performansları karşılaştırılmıştır
Özet (Çeviri)
Clinical decision making is a very important process since it may adversely affect the patient's life as a result of an incorrect diagnosis. Today, with the rapid advancement of technology, very large data sets have emerged in the field of health. In order to obtain meaningful and interpretable information from these data sets, machine learning methods are used. However, machine learning often has problems that can affect the interpretation of data, models generated from data, and decisions based on data. It is stated that the class imbalance problem, which is one of these problems, can lead to diagnostic error and directly affect learning performance. The problem of class imbalance is defined as the situation where a particular class is less represented than other classes. Therefore, in a classification model, it is very important that in the presence of a class imbalance problem, higher definition rates on the minority class in the data set can be obtained. This is especially possible with ensemble learning and resampling methods used to increase the reliability of diagnosis. Ensemble learning is the method of using multiple classifier systems. However, the performance of these methods is also negatively affected in cases where the class imbalance is very high. Therefore, resampling methods are proposed as an additional procedure in the presence of class imbalance problem. Resampling methods are introduced as commonly used methods to balance the class distribution of unbalanced data sets and eliminate the effect on classification. This thesis deals with the importance of class imbalance problem and its solution of this problem. In the study, resampling methods were used to eliminate the imbalance problem and their classification performances were compared by integrating them into ensemble learning algorithms.
Benzer Tezler
- Sınıf öğretmenlerinin akademik iyimserlikleri ile yapılandırmacı öğrenme-öğretme etkinliklerini uygulama düzeyleri arasındaki ilişki
Relationship between academic optimism of classroom teachers and their application level of constructivist learning-teaching activities
SEDA KERİMGİL ÇELİK
Doktora
Türkçe
2013
Eğitim ve ÖğretimFırat ÜniversitesiEğitim Programları ve Öğretim Ana Bilim Dalı
PROF. DR. MEHMET GÜROL
- Critical friend group and its impact on teachers and the learning process: A collective case study analysis
Eleştirel arkadaş grubunun (CFG) öğretmenin öğrenme süreci üzerindeki etkisi: Kolektif vaka incelemesi
KORAY AHMET BİNTAŞ
Yüksek Lisans
İngilizce
2018
Eğitim ve ÖğretimBahçeşehir ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KENAN DİKİLİTAŞ
- Supporting the development of a second-grade classroom's conceptions of multiplication through a hypothetical learning trajectory
İlkokul 2. sınıf öğrencilerinin doğal sayılarla çarpma işlemini kavrayışlarının öğrenme rotası ile desteklenmesi
SEMANUR KANDİL
Doktora
İngilizce
2022
Eğitim ve ÖğretimOrta Doğu Teknik Üniversitesiİlköğretim Ana Bilim Dalı
PROF. DR. MİNE IŞIKSAL BOSTAN
- Sürdürülebilir öğretmen gelişimi: Mesleki öğrenme toplulukları
Sustainable teacher development: Professional learning communities
BURCU ALTUN
Doktora
Türkçe
2020
Eğitim ve ÖğretimAydın Adnan Menderes ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
DOÇ. DR. PINAR YENGİN SARPKAYA
- Çoklu adaptif hibrit sinir ağları
Multi adaptive hybrid network
MAHMUT ÇAKAR
Yüksek Lisans
Türkçe
2022
Mühendislik BilimleriMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAZIM YILDIZ
DR. ÖĞR. ÜYESİ YAKUP GENÇ