Günümüzde gelişen teknoloji her alanda olduğu gibi sağlık alanında da kullanılmaktadır. Özellikle derin öğrenme uygulamalarının kullanılması ile oldukça başarılı sonuçlar alındığı görülmektedir. Derin öğrenme yaklaşımı ile birçok probleme çözüm üretilmektedir. Bu çalışmada, kronik böbrek hastalığının teşhisi için derin öğrenme yöntemlerinden Uzun Kısa Süreli Bellek (LSTM) ağları kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. LSTM ağları genellikle zaman serileri içeren veriler için tercih edilmekle birlikte seri veriler için de kullanılabilirler. Bu çalışmada, verilerin zamansal bağımlılığı yoktur. Bu nedenle model, sabit vektörlerin ardışık işlenmesiyle eğitilir. Veriler, kronik böbrek hastalığı verilerini içerir. Veri seti, 14 özellik içeren 400 örnek içerir. Veri madenciliği çalışmalarında sıklıkla tercih edilen ve herkese açık olarak paylaşılan verilerin yer aldığı veri seti https://www.kaggle.com/ web adresinden elde edilmiştir. Veriler %70 eğitim ve %30 test olarak ikiye ayrılarak eğitilen modelin performansı incelenmiştir. Performansı değerlendirmek için accuracy değerinin yanı sıra precision, recall ve f1 değerleri hesaplanmıştır. Sonuçlar incelendiğinde doğruluğun eğitim verilerinde 95.70, test verilerinde ise 94.16 olduğu görülmektedir. Verilerin gerçek veriler olduğu düşünüldüğünde bu sonuçların oldukça başarılı olduğunu söylemek mümkün olacaktır. Dolayısıyla bu çalışma kapsamında kronik böbrek hastalığı verilerinin sınıflandırılmasında LSTM ağlarının kullanılabileceği sonucuna varmak mümkündür.
Günümüzde gelişen teknoloji her alanda olduğu gibi sağlık alanında da kullanılmaktadır. Özellikle derin öğrenme uygulamalarının kullanılması ile oldukça başarılı sonuçlar alındığı görülmektedir. Derin öğrenme yaklaşımı ile birçok probleme çözüm üretilmektedir. Bu çalışmada, kronik böbrek hastalığının teşhisi için derin öğrenme yöntemlerinden Uzun Kısa Süreli Bellek (LSTM) ağları kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. LSTM ağları genellikle zaman serileri içeren veriler için tercih edilmekle birlikte seri veriler için de kullanılabilirler. Bu çalışmada, verilerin zamansal bağımlılığı yoktur. Bu nedenle model, sabit vektörlerin ardışık işlenmesiyle eğitilir. Veriler, kronik böbrek hastalığı verilerini içerir. Veri seti, 14 özellik içeren 400 örnek içerir. Veri madenciliği çalışmalarında sıklıkla tercih edilen ve herkese açık olarak paylaşılan verilerin yer aldığı veri seti https://www.kaggle.com/ web adresinden elde edilmiştir. Veriler %70 eğitim ve %30 test olarak ikiye ayrılarak eğitilen modelin performansı incelenmiştir. Performansı değerlendirmek için accuracy değerinin yanı sıra precision, recall ve f1 değerleri hesaplanmıştır. Sonuçlar incelendiğinde doğruluğun eğitim verilerinde 95.70, test verilerinde ise 94.16 olduğu görülmektedir. Verilerin gerçek veriler olduğu düşünüldüğünde bu sonuçların oldukça başarılı olduğunu söylemek mümkün olacaktır. Dolayısıyla bu çalışma kapsamında kronik böbrek hastalığı verilerinin sınıflandırılmasında LSTM ağlarının kullanılabileceği sonucuna varmak mümkündür.
Alan : Sosyal, Beşeri ve İdari Bilimler
Dergi Türü : Uluslararası
Benzer Makaleler | Yazar | # |
---|
Makale | Yazar | # |
---|