Genetik Algoritma Yaklaşımıyla Öznitelik Seçimi Kullanılarak Makine Öğrenmesi Algoritmaları ile Kalp Hastalığı Tahmini

Yıl 2021, Cilt: 2 Sayı: 2, 67 - 80, 21.12.2021

Berna Vatansever , Hakan Aydın , Ali Çetinkaya

https://doi.org/10.53525/jster.1005934

Cited By: 3

Öz

Günümüzde Yapay Zeka (YZ) uygulamalarından sağlık sektöründe pek çok hastalığın teşhis ve tedavisinde giderek artan oranlarda faydanılmaktadır. Bu çalışmanın amacı Genetik Algoritma (GA) yaklaşımı ile öznitelik seçimi yaparak Makine Öğrenmesi (MÖ) algoritmalarıyla kalp hastalığını tahmin etmek olarak belirlenmiştir. Bu kapsamda çalışmada MÖ algoritmalarından K-En Yakın Komşu (K-EYK), Lojistik Regresyon (LR), Karar Ağacı (KA), Rastgele Orman (RO), Naive Bayes (NB) ve Destek Vektör Makinesi (DVM) algoritmaları ile 3 (üç) farklı grupta toplamda 28 (yirmi sekiz) deney gerçekleştirilmiştir. Çalışma sonucunda en yüksek başarı oranı GA ile yapılan deneylerde %93.44 ile elde edilmiştir. Çalışmamızda yapılan diğer deneylerde ise LR ile %90.16, K-EYK ile %81.96, DVM ile %83.60, NB ile %85.24, KA ile %81.96 ve RO ile %83.60 oranında başarı oranı elde edilmiştir. Çalışmada ABD Cleveland eyaletindeki bireylerin verisini içeren veri seti kullanılmıştır. Araştırmamızda elde edilen sonuçlarda kalp hastalığı tahminin GA yaklaşımı ile öznitelik seçimi yapılması durumunda daha yüksek doğruluk oranının elde edildiği görülmüştür. Çalışmamızın GA ile öznitelik seçimi yapılarak MÖ ile kalp hastalığınınım tahmin edilmesinde sağlık alanındaki literatüre katkı sağlayacağı değerlendirilmektedir.

Anahtar Kelimeler

Makine Öğrenmesi Algoritmaları, Genetik Algoritmalar, Kalp Hastalığı Tahmini, Öznitelik Seçimi

Heart Disease Prediction with Machine Learning Algorithm Using Feature Selection by Genetic Algorithm

Öz

The aim of this study was determined as the prediction of heart disease by analyzing the factors that affect this disease with Machine Learning (ML) algorithms using the feature selection with the Genetic Algorithm (GA) approach. In this context, K-Nearest Neighbor (KNN), Logistic Regression (LR), Decision Tree (DT), Random Forest (RF), Naive Bayes (NB) and Support Vector Machine (SVM) algorithms were used in the study.

Aim of Article : The purpose of this study is to predict heart disease with ML algorithms using feature selection with GA approach.

Theory and Methodology : In this study, ML methods and GA are used.

Findings and Results: In the study, the importance of feature selection with GA was emphasized by proving that the accuracy of heart disease prediction was higher after feature selection was made with GA in the data set.

Conclusion : As a result of the study, it has been shown that heart disease can be predicted with higher success rate and accuracy with ML algorithms using feature selection with the GA approach.

Anahtar Kelimeler

Machine Learning Algorithms, Genetic Algorithms, Heart Disease Prediction, Feature Selection

Kaynakça

• [1] M. Pavithra, A. M. Sindhana, T. Subajanaki, and S. Mahalakshmi, 2021. “Effective Heart Disease Prediction Systems Using Data Mining Techniques”, Annals of the Romanian Society for Cell Biology, 6566-6571.
• [2] L. Tokgozoglu, M. Kayikcioglu, and B. Ekinci, 2021. “The Landscape of Preventive Cardiology in Turkey: Challenges and successes”, American Journal of Preventive Cardiology, 100184.
• [3] İ. Ozcan, B. Tasar, A. B. Tatar, and O. Yakut, 2019. “Destek Vektör Makinesi Algoritması ile Kalp Hastalıklarının Tahmini”, Bilgisayar Bilimleri, 4(2), 74-79.
• [4] A. Coşkun, and N. Arıcı, 2006. “Genetik Algoritma Kullanılarak Deriden Geçiş Özelliklerine Göre Kimyasal Maddelerin Molekül Yapılarının Bulunması”, Politeknik Dergisi, 9(4), 255-261.
• [5] M. Karakoyun, and M. Hacıbeyoğlu, 2014. “Biyomedikal Veri Kümeleri ile Makine Öğrenmesi Sınıflandırma Algoritmalarının İstatistiksel Olarak Karşılaştırılması”, Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 16(48), 30-42.
• [6] A. K. M. Rahman, F. M. J. Shamrat, Z. Tasnim, J. Roy, and S. A. Hossain, 2019. “A Comparative Study on Liver Disease Prediction Using Supervised Machine Learning Algorithms”, International Journal of Scientific & Technology Research, 8(11), 419-422.
• [7] Şengür, D., 2021. “Eeg, Emg And Ecg Based Determination of Psychosocial Risk Levels in Teachers Based on Wavelet Extreme Learning Machine Autoencoders”, Politeknik Dergisi, 1-1.
• [8] M. Nazari, I. Shiri, and H. Zaidi, 2021. “Radiomics-based machine learning model to predict risk of death within 5-years in clear cell renal cell carcinoma patients”, Computers in Biology and Medicine, 129, 104135.
• [9] Ö. Ekrem, O. K. M. Salman, B. Aksoy, and S. A. İnan, 2020. “Yapay Zekâ Yöntemleri Kullanılarak Kalp Hastalığının Tespiti”, Mühendislik Bilimleri ve Tasarım Dergisi, 8(5), 241-254.
• [10] M. A. Ahmad, C. Eckert, and A. Teredesai, 2018. “Interpretable Machine Learning İn Healthcare”, In Proceedings Of The 2018 Acm İnternational Conference On Bioinformatics, Computational Biology, And Health İnformatics, 559-560.
• [11] U. Köse, 2019. “Zeki Optimizasyon Tabanlı Destek Vektör Makineleri ile Diyabet Teşhisi”, Politeknik Dergisi, 22(3), 557-566.
• [12] Ş. Pazar, M. Bulut, and C. Uysal, 2020. “Yapay Zeka Tabanlı Araç Algılama Sistemi Geliştirilmesi”, Journal of Scientific, Technology and Engineering Research, 1(1), 31-37.
• [13] D. Mishra, and B. Sahu, 2011. “Feature Selection for Cancer Classification: a Signal-To-Noise Ratio Approach”, International Journal of Scientific & Engineering Research, 2(4), 1-7.
• [14] E. Çağlayan Akay, 2020. “Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar”, Der Yayınları.
• [15] S. Kushwaha, S. Bahl, A. K. Bagha, K. S. Parmar, M. Javaid, A. Haleem, and R. P. Singh, 2020. “Significant Applications Of Machine Learning For Covıd-19 Pandemic”, Journal of Industrial Integration and Management, 5(4).
• [16] M. Gök, 2017. “Makine Öğrenmesi Yöntemleri ile Akademik Başarının Tahmin Edilmesi”, Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 5(3), 139-148.
• [17] C. Akyel, and N. Arıcı, 2020. “Cilt Kanserinde Kıl Temizliği ve Lezyon Bölütlemesinde Yeni Bir Yaklaşım”, Politeknik Dergisi, 23(3), 821-828.
• [18] A. Abdullah Sheik, and R. R. Rajalaxmi, 2012. “A Data Mining Model For Predicting The Coronary Heart Disease Using Random Forest Classifier”, In International Conference in Recent Trends in Computational Methods, Communication And Controls, 22-25.
• [19] V. Chaurasia, and S. Pal, 2014. “Performance Analysis Of Data Mining Algorithms For Diagnosis And Prediction Of Heart And Breast Cancer Disease”, Review of Research, 3(8).
• [20] Ö. Özmen, A. Khdr, E. Avcı, 2018. “Sınıflandırıcıların Kalp Hastalığı Verileri Üzerine Performans Karşılaştırması”, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 30(3), 153-159.
• [21] M. Polatgil, 2020. “Anfis ve Bulanık K Ortalamalar ile Kalp Hastalığının Tespit Edilmesi”, Bilişim Teknolojileri Dergisi, 13(4), 443-449.
• [22] S. Amin Umar, K. Agarwal, and R. Beg, 2013. “Genetic Neural Network Based Data Mining İn Prediction Of Heart Disease Using Risk Factors”, In 2013 IEEE Conference On Information and Communication Technologies, 1227-1231.
• [23] Ş. Cihan, B. Karabulut, G. Arslan, and G. Cihan, 2018. “Koroner Arter Hastalığı Riskinin Veri Madenciliği Yöntemleri ile İncelenmesi”, Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 10(1), 85-93.
• [24] M. Pagnesi, M. Adamo, and M. Metra, 2021. “March 2021 at a glance: focus on epidemiology, prevention and COVID‐19”, European Journal of Heart Failure, 23(3): 347–349.
• [25] E. M. Göktaş, and M. Yağanoğlu, 2020. “Veri Bilimi Uygulamalarının Hastalık Teşhisinde Kullanılması: Kalp Krizi Örneği”, Journal Of Information Systems And Management Research, 2(2), 26-32.
• [26] A. Çil, E. Edem, and Ö. Göldedi, 2018. “Hipertansif Hastalarda Kalp Hızı Değişkenliği ile Kardiyovasküler Risk Faktörlerinin İlişkisi”, Sakarya Tıp Dergisi, 8(2), 303-310.
• [27] Y. Olgar, D. Billur, and B. Turan, 2021. “Yaşa Bağlı Kalp Fonksiyon Değişiklikleri ve miRNA’lar”, Ankara Üniversitesi Tıp Fakültesi Mecmuası, 74(2):239-244.
• [28] I. Kalan, and Y. Yeşil, 2010. “Obezite ile İlişkili Kronik Hastalıklar”, Diyabet ve Obezite, 78.
• [29] S. S. Virani, A. Alonso, H. J. Aparicio, E. J. Benjamin, M. S. Bittencourt, C. W. Callaway, ... and American Heart Association Council on Epidemiology and Prevention Statistics Committee and Stroke Statistics Subcommittee, 2021. “Heart disease and stroke statistics—2021 update: a report from the American Heart Association”, Circulation, 143(8), e254-e743.
• [30] M. H. Ünver, Y. Kökver, and A. Çifci, 2020. “Hipertansiyon Tahmini İçin Temel Bileşen Analizinin Kullanımı”, Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 12(3), 42-51.
• [31] N. Küçükberber, K. Özdilli, and H. Yorulmaz, 2011. “Kalp Hastalarında Sağlıklı Yaşam Biçimi Davranışları ve Yaşam Kalitesine Etki Eden Faktörlerin Değerlendirilmesi”, Anadolu Kardiyol Derg, 11, 619-26.
• [32] M. İyigün, 2021. “Kardiyovasküler ve Torasik Cerrahi”, In Geriatrik Anestezi, 283-294. Ankara: Güneş Kitabevi.
• [33] A. Dar Masroof, and G. Atul, 2019. “Performance Analysis Of Data Mining Algorithms”, Journal Of Computational And Theoretical Nanoscience, 16(9), 3849-3853.
• [34] M. D. Camacho, M. K. Collins, K. R. Powers, C. J. Costello, and J. J. Collins, 2018. “Next-Generation Machine Learning For Biological Networks”, Cell, 173(7), 1581-1592.
• [35] M. E. Taşçı, and R. Şamlı, 2020. “Veri Madenciliği ile Kalp Hastalığı Teşhisi”, Avrupa Bilim ve Teknoloji Dergisi, 88-95.
• [36] A. M. Aydın, 2021. “Müşteri Kaybı Tahmininde Sınıf Dengesizliği Problemi”, Politeknik Dergisi, 1-1.
• [37] B. Karaoğlu, 2015. “Makine Öğrenmesi ile Spor Karşılaşmalarının Modellenmesi”, Emo Bilimsel Dergi, 5(9), 1-5.
• [38] E. Uzundurukan, and A. Kara, 2020. “Deep Learning Based Threat Classification for Fiber Optic Distributed Acoustic Sensing Using SNR Dependent Data Generation”, Journal of Scientific, Technology and Engineering Research, 1(2), 4-12.
• [39] D. Sarkar, R. Bali, and T. Sharma, 2018. “Forecasting Stock And Commodity Prices in Practical Machine Learning With Python, Apress, 467-497.
• [40] R. Alizadehsani, M. Roshanzamir, M. Abdar, A. Beykikhoshk, A. Khosravi, M. Panahiazar, A. Koohestani, F. Khozeimeh, S. Nahavandi, and N. Sarrafzadegan, 2019. “A Database For Using Machine Learning And Data Mining Techniques For Coronary Artery Disease Diagnosis”, Scientific Data, 6(1), 1-13.
• [41] B. Çağlıyan and U. Köse, "Epilepsi EEG Verilerinin Makine Öğrenmesi Teknikleriyle Sınıflandırılması", Avrupa Bilim ve Teknoloji Dergisi, no. 23, pp. 163-172.
• [42] J. O. Awoyemi, A. O. Adetunmbi, and S. A. Oluwadare, 2017. “Credit card fraud detection using machine learning techniques: A comparative analysis”, In 2017 International Conference on Computing Networking and Informatics (ICCNI), IEEE, 2017, 1-9.
• [43] M. Selimoglu, and A. Yılmaz, 2021. “Kredi Karti Dolandiricilik Tespitinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi”, Beykent Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 13(2), 28-33.
• [44] H. Yıldırım, 2021. “Comparative Analysis of Machine Learning Algorithms Based on Variable Importance Evaluation”, Journal of Scientific, Technology and Engineering Research, 2(2), 46-53.
• [45] H. Kabaoğlu, E. Uçar, and F. Duran, 2021. “Buzlanma Tahmini Yapan Mobil Uygulama Geliştirilmesi”, Politeknik Dergisi, 1-1.
• [46] E. Tuncer, and D. E. Bolat, 2021. “Destek Vektör Makinaları ile EEG Sinyallerinden Epileptik Nöbet Sınıflandırması”, Politeknik Dergisi, 1-1.
• [47] C. Aydın, 2018. “Makine Öğrenmesi Algoritmaları Kullanılarak İtfaiye İstasyonu İhtiyacının Sınıflandırılması”, Avrupa Bilim ve Teknoloji Dergisi, (14), 169-175.
• [48] K. Arumugam, M. Naved, P. P. Shinde, O. Leiva-Chauca, A. Huaman-Osorio, and T. Gonzales-Yanac, 2021. “Multiple disease prediction using Machine learning algorithms”, Materials Today: Proceedings.
• [49] A. F. Şenel, 2020. “Makine Öğrenmesi Algoritmaları Kullanılarak Kayısı İç Çekirdeklerinin Sınıflandırılması”, Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9(2), 807-815.
• [50] Ş. B. Bozyiğit, and Ç. Tarhan, 2020. “Makine Öğrenmesi Yöntemleri Kullanılarak Sosyal Medyada Marka İtibar Analizi”, Yönetim Bilişim Sistemleri Dergisi, 6(2), 57-76.
• [51] M. Libbrecht, W. Noble, 2015. “Machine Learning Applications in Genetics And Genomics”, Nature Reviews Genetics, 16(6), 321-332.
• [52] M. Atalay, and E. Çelik, 2017. “Büyük Veri Analizinde Yapay Zekâ ve Makine Öğrenmesi Uygulamaları”, Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155-172.
• [53] A. Öztürk, Ü. Durak, and F. Badıllı, 2020. “Twitter Verilerinden Doğal Dil İşleme ve Makine Öğrenmesi ile Hastalık Tespiti”, Konya Mühendislik Bilimleri Dergisi, 8(4), 839-852.
• [54] A. E. Keleş and M. Kaya Keleş, "Genetik Algoritma ile Öznitelik Seçimi Kullanılarak Yapım Yönetiminde Çalışan Liderlik Algısının Tahmini", Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, vol. 33, no. 4, pp. 97-110.
• [55] N.B. Bahadure, A. K. Ray, and H. P. Thethi, 2018. “Comparative Approach of MRI-Based Brain Tumor Segmentation and Classification Using Genetic Algorithm”, Journal of digital imaging, 31(4), 477-489.
• [56] S. Katoch, S. S. Chauhan, and V. Kumar, 2021. “A review on genetic algorithm: past, present, and future”, Multimedia Tools and Applications, 80(5), 8091-8126.
• [57] H. Candan, A. Durmuş, and G. Harman, 2019. “Genetik Algoritma ve Sınıflandırıcı Yöntemler ile Kanser Tahmini”, Veri Bilimi, 2(1), 30-34.
• [58] S. Karasu, and Z. Saraç, 2020. “Güç Kalitesi Bozulmalarının Hilbert-Huang Dönüşümü, Genetik Algoritma ve Yapay Zeka/Makine Öğrenmesi Yöntemleri İle Sınıflandırılması”, Politeknik Dergisi, 23(4), 1219-1229.
• [59] B. C. Kalaycı, O. Ertenlıce, H. Akyer, and H. Aygoren, 2017. “A Review On The Current Applications Of Genetic Algorithms in Mean-Variance Portfolio Optimization”, Pamukkale University Journal of Engineering Sciences, 23(4), 470-476.
• [60] Heart Disease Data Set, Available, https://archive.ics.uci.edu/ml/datasets/Heart+Disease, Accessed Time: 15.06.2021
• [61] M. Koklu, S. Sarigil, and O. Ozbek, 2021. “The use of machine learning methods in classification of pumpkin seeds (Cucurbita pepo L.)”, Genetic Resources and Crop Evolution, 1-14.
• [62] P. Ranganathan, S. C. Pramesh, and R. Aggarwal, 2017. “Common Pitfalls İn Statistical Analysis: Logistic Regression”, Perspectives in Clinical Research, 8(3), 148.
• [63] C. P. Austin, and J. Merlo, 2017. “Intermediate And Advanced Topics İn Multilevel Logistic Regression Analysis”, Statistics in Medicine, 36(20), 3257-3277.
• [64] M. Öztürk, 2018. Paksoy T., and Öztürk M., “Genetik Algoritmalar (GA) ile Nüfus Artış Tahmini”, Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 11(1), 40-51.