Komşuluk Bileşen Analizi Tabanlı Makine Öğrenimi Yöntemleri ile Obezite Seviyelerinin Tahmini

Year 2023, , 433 - 442, 01.09.2023

Çağla Danacı , Derya Avcı , Seda Arslan Tuncer

https://doi.org/10.35234/fumbd.1234161

Cited By: 1

Abstract

Obezite, gelişmiş ülkelerde daha çok görülmekle birlikte gelişmekte olan ülkelerde de yaşam kalitelerini olumsuz yönde etkileyen bir hastalıktır. Obeziteyi tetikleyen birden çok etmen bulunmakla beraber bu etmenlerin en somut örneklerinden bazıları hareketsiz yaşam, dengesiz beslenme olarak sıralanabilir. Obezite, hastalar için farklı düzeylerde görülebilmektedir. Her düzey, tedavi aşamasında arz ettiği önem ile obezite tanısının erken aşamada belirlenme ihtiyacını doğurmaktadır. Bu doğrultuda uzmanlara karar aşamasında yardımcı olabilecek otonom bir sistem bu ihtiyaca destek niteliğinde tasarlanmıştır. Çalışmada obezite hastalarını, obezite düzeylerine göre sınıflandırabilmek amacıyla makine öğrenimi tabanlı bir yaklaşım önerilmiştir. UCI makine öğrenimi deposundan 16 özelliğe sahip 2111 hasta verisi üzerinde Komşuluk Bileşen Analizi (KBA) yöntemi ile özellik seçimi yapılarak özellikler Aşırı Gradyan Artırma (XGBoost) ve Karar Ağacı algoritmaları ile sınıflandırılmıştır. Sonuçlar incelendiğinde özellik seçimi sonrası doğruluk oranlarında iki algoritma için de %1 artış gözlemlenmiştir. Sistemin amaca uygun olarak performans sergilemesi sebebiyle, obezite düzey tahmininde optimum özellik sayısı ile uzmanlara yardımcı bir çalışma olacağı öngörülmektedir.

Keywords

Obezite, Yapay Zekâ, Makine Öğrenmesi, Özellik Seçimi, Sağlık

Prediction of Obesity Levels by Neighborhood Component Analysis Based Machine Learning Methods

Abstract

Although obesity is more common in developed countries, it is also a disease in developing countries that negatively affects people's quality of life. Although there are several factors that trigger obesity, some of the most concrete examples of these factors can be mentioned: sedentary lifestyle, unbalanced diet. Obesity can show up in patients at different levels. Each of these levels is important for treatment, so the diagnosis of obesity must be made early. With this in mind, an autonomous system was developed that can assist experts in decision making. In the study, a machine learning-based approach was proposed to classify obese patients according to their degree of obesity. Feature selection was made with Neighborhood Component Analysis (NCA) method on 2111 patient data with 16 features from UCI machine learning repository, and features were classified with Extreme Gradient Augmentation (XGBoost) and Decision Tree algorithms. When the results were examined, a 1% increase in accuracy rates was observed after feature selection for both algorithms. Since the system works according to the purpose, it is expected that a study will be conducted to help experts with the optimal number of features for predicting the degree of obesity.

Keywords

Obesity, Artificial Intelligence, Machine Learning, Feature Selection, Health.

References

• Sipahi, B. B. (2021). Türkiye’de obezite üzerine sosyoekonomik faktörlerin etkisi ve gelir eşitsizliği. Ankara Üniversitesi SBF Dergisi, 76(2), 547-573.
• Parmaksız, H. (2007). Yetişkin obezlerde fiziksel aktivite seviyesinin belirlenmesi (Doctoral dissertation, DEÜ Sağlık Bilimleri Enstitüsü).
• Quiroz, J. P. S. (2022). Estimation of obesity levels based on dietary habits and condition physical using computational intelligence. Informatics in Medicine Unlocked, 29, 100901.
• Pirim, A. G. H. (2006). Yapay zekâ. Yaşar Üniversitesi E-Dergisi, 1(1), 81-93.
• Arıkan, M., Yapay zeka nedir? Yapay Zekâ Uygulama Alanları Nelerdir?. https://www.mediaclick.com.tr/tr/blog/yapay-zeka-nedir. Erişim Tarihi: 25.12.2022
• Büyükgöze, S., & Dereli, E. (2019). Dijital sağlık uygulamalarında yapay zekâ. VI. Uluslararası Bilimsel ve Mesleki Çalışmalar Kongresi-Fen ve Sağlık, 7(10).
• İşler, B., & Kılıç, M. (2021). EĞİTİMDE YAPAY ZEKÂ KULLANIMI VE GELİŞİMİ. Yeni Medya Elektronik Dergisi, 5(1), 1-11.
• Cervantes, R. C., & Palacio, U. M. (2020). Estimation of obesity levels based on computational intelligence. Informatics in Medicine Unlocked, 21, 100472.
• Ferdowsy, F., Rahi, K. S. A., Jabiullah, M. I., & Habib, M. T. (2021). A machine learning approach for obesity risk prediction. Current Research in Behavioral Sciences, 2, 100053.
• Cui, T., Chen, Y., Wang, J., Deng, H., & Huang, Y. (2021, May). Estimation of Obesity Levels Based on Decision Trees. In 2021 International Symposium on Artificial Intelligence and its Application on Media (ISAIAM) (pp. 160-165). IEEE.
• Molina Estren, D., De la Hoz Manotas, A. K., & Mendoza Palechor, F. (2021). Classification and features selection method for obesity level prediction.
• Quiroz, J. P. S. (2022). Estimation of obesity levels based on dietary habits and condition physical using computational intelligence. Informatics in Medicine Unlocked, 29, 100901.
• Alqahtani, A., Albuainin, F., Alrayes, R., muhanna, N. A., Alyahyan, E., & Aldahasi, E. (2021). Obesity Level Prediction Based on Data Mining Techniques. International Journal of Computer Science and Network Security, 21(3), 103–111. doi: https://doi.org/10.22937/IJCSNS.2021.21.3.14
• Pang, X., Forrest, C. B., Lê-Scherban, F., & Masino, A. J. (2021). Prediction of early childhood obesity with machine learning and electronic health record data. International journal of medical informatics, 150, 104454.
• https://archive.ics.uci.edu/ml/datasets/Estimation+of+obesity+levels+based+on+eating+habits+and+physical+condition. Erişim Tarihi: 25.12.2022
• Palechor, F. M., & de la Hoz Manotas, A. (2019). Dataset for estimation of obesity levels based on eating habits and physical condition in individuals from Colombia, Peru and Mexico. Data in brief, 25, 104344.
• Danacı, Ç. (2022). Covid-19 Tanısında Biyokimya Parametre Baskınlığının Makine Öğrenimi Yöntemleri Kullanılarak Belirlenmesi, Yüksek Lisans Tezi, Fırat Üniversitesi, Fen Bilimleri Enstitüsü
• Budak, H. (2018). Özellik Seçim Yöntemleri ve Yeni Bir Yaklaşım. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22(Özel), 21. doi: https://doi.org/10.19113/sdufbed.01653
• Koc, M., Sut, S. K., Serhatlioglu, I., Baygin, M., & Tuncer, T. (2022). Automatic prostate cancer detection model based on ensemble VGGNet feature generation and NCA feature selection using magnetic resonance images. Multimedia Tools and Applications, 81(5), 7125-7144.
• Tuncer, T., Dogan, S., Pławiak, P., & Acharya, U. R. (2019). Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet transform with ECG signals. Knowledge-Based Systems, 186, 104923.
• Hayri, A. B. A. R. (2020). Xgboost Ve Mars Yöntemleriyle Altin Fiyatlarinin Kestirimi. Ekev Akademi Dergisi, (83), 427-446.
• Osman, A. I. A., Ahmed, A. N., Chow, M. F., Huang, Y. F., & El-Shafie, A. (2021). Extreme gradient boosting (Xgboost) model to predict the groundwater levels in Selangor Malaysia. Ain Shams Engineering Journal, 12(2), 1545-1556.
• Bavaş, E., Karar Ağaçları (Decision Trees) ile Veri Sınıflandırma. http://erdoganb.com/2017/07/karar-agaclari-decision-trees-ile-veri-siniflandirma/ Erişim Tarihi: 25.12.2022
• Y. Celik, S. Guney and B. Dengiz, "Obesity Level Estimation based on Machine Learning Methods and Artificial Neural Networks," 2021 44th International Conference on Telecommunications and Signal Processing (TSP), 2021, pp. 329-332, doi: 10.1109/TSP52935.2021.9522628.
• Z. Zheng ve K. Ruggiero, "Lise öğrencilerinde obeziteyi tahmin etmek için makine öğrenimini kullanmak", 2017 IEEE Uluslararası Biyoinformatik ve Biyotıp Konferansı (BIBM) , 2017, s. 2132-2138, doi: 10.1109/BIBM.2017.8217988.