Sınıflamada Daha Güçlü Bir Yaklaşım Olan Boosting Ağacı: Karpal Tunel Sendromu Uygulaması

Abstract

Boosting ağaç yöntemi topluluk birleştirme yöntemlerinden en başarılı olanıdır. Birleştirme algoritmalarının temel amacı, zayıf sınıflayıcıların kombinasyonundan tahmin hatası düşük güçlü sınıflayıcılar oluşturmaktır. Gereç ve Yöntemler: Bu çalışmada Karpal Tunel Sendromu vakaları boosting metodunu kullanılarak sınıflanmıştır. Mersin Üniversitesi Tıp Fakültesi Nöroloji Anabilim Dalının Elektrofizyoloji Laboratuvarına 2006-2010 tarihleri arasında Karpal Tünel Sendromu (KTS) ön tanısı ile başvuru yapan bireyler çalışmaya alınmıştır. Boosting Tree uygulaması Statistica 7.0 paket programında yapılmıştır. Bulgular: Test verisi kullanıldığında ise modelin genel doğru sınıflama başarısı %87.67 olarak hesaplanmıştır. Test verisi kullanıldığında son modelin sensitivite ve spesifitesi ise sırasıyla %85.65 ve %92.36 olarak hesaplanmıştır. Sonuç: Kullanılan modelin KTS tanısının konulmasında başarılı bir yöntem olarak kullanılabilir.

The Boosting Tree, one of the most successful combining methods. The principal aim of these combining algorithms is to obtain strong classifier with small estimation error from the combination of weak classifiers. Material and Methods: We used boosting method to classify patients with Carpal Tunnel Syndrome. The individuals, who applied to Mersin University’s Medical School’s Neurology Main Scientific Branch’s Electrophysiology Laboratory between the years of 2006 and 2010, with a pre-diagnosis of Carpal Tunnel Syndrome (CTS) were included in the study. Boosting Tree application was conducted in Statistica 7.0 software package. Results: General success of the model in accurate classification according to the test data was found as 87.67%. Sensitivity and specificity of the latest model, when the test data were used, were calculated respectively as 85.65% and 92.36% . Conclusion: The model can be used in CTS diagnosis as a successful method.