Destek vektör makinesi modelleri ile miyokard infarktüsün sınıflandırılması
Yükleniyor...
Dosyalar
Tarih
2015
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi Tıp Fakültesi Dergisi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Amaç: Destek vektör makinesi (DVM), pozitif ve negatif örnekleri bilinen bir uzayı ikiye ayıran en iyi hiper-düzlemi bulmaya çalışan sınıflandırma yöntemlerinden biridir. Bu çalışmada, Miyokard İnfarktüsün (Mİ) DVM modelleri ile sınıflandırılması amaçlanmaktadır.
Gereç ve Yöntemler: Sınıflandırmada kullanılacak Mİ verileri, İnönü Üniversitesi Tıp Fakültesi Kardiyoloji anabilim dalı için oluşturulan veritabanından rastgele alınan 184 bireye ilişkin bilgileri içermektedir. Tahmin edilen DVM’ler, DVM-Doğrusal ve DVM-Radyal Tabanlı kernel fonksiyonlarından oluşturulan modellerdir.
Bulgular: Çalışmada incelenen grubun 90’ı (%48.9) Mİ hastası iken, 94’ü (%51.1) Mİ hastası değildi. Mİ’nin doğru sınıflama başarısı, DVM-Doğrusal modeli için %83.70 ve DVM-Radyal Tabanlı modeli için %90.76 olarak elde edilmiştir.
Sonuç: Bu araştırmada Mİ’nin sınıflanmasında radyal tabanlı DVM modelinin, doğrusal DVM modelinden daha iyi sınıflama performansı gösterdiği belirlenmiştir. Farklı kernel tipi fonksiyonlara dayalı DVM modellerinin kullanımı, hastalıkların sınıflama performansını artırılabilir.
Aim: Support vector machines (SVM) is one of the classification methods that aims to find the best hyper-plane separating a space into two parts with known positive and negative samples. The goal of this study is to classify myocardial infarction (MI) using SVM models. Material and Methods: The data used in the MI classification contains information related to 184 individuals which is randomly taken from the database created for the Department of Cardiology, Faculty of Medicine, Inonu University. Estimated SVMs are models generated from the SVM-linear and SVM-Radial Based kernel functions. Results: In this study, 90 individuals of the study group (48.9%) are MI patients, while 94 (51.1%) patients are not. The classification success rate is 83.70% for SVM-linear model and 90.76% for the SVM-Radial Based model. Conclusion: In this study, it is observed that SVM-Radial based model presented a better classification performance than the linear SVM model. The use of SVM models based on various kernel type functions can improve disease classification performance.
Aim: Support vector machines (SVM) is one of the classification methods that aims to find the best hyper-plane separating a space into two parts with known positive and negative samples. The goal of this study is to classify myocardial infarction (MI) using SVM models. Material and Methods: The data used in the MI classification contains information related to 184 individuals which is randomly taken from the database created for the Department of Cardiology, Faculty of Medicine, Inonu University. Estimated SVMs are models generated from the SVM-linear and SVM-Radial Based kernel functions. Results: In this study, 90 individuals of the study group (48.9%) are MI patients, while 94 (51.1%) patients are not. The classification success rate is 83.70% for SVM-linear model and 90.76% for the SVM-Radial Based model. Conclusion: In this study, it is observed that SVM-Radial based model presented a better classification performance than the linear SVM model. The use of SVM models based on various kernel type functions can improve disease classification performance.
Açıklama
[Turgut Özal Tıp Merkezi Dergisi, (2015).23 (4)]
Anahtar Kelimeler
Destek Vektör Makineleri, Miyokard İnfarktüsü, Sınıflama, Support Vector Machines, Myocardial Infarction, Classification
Kaynak
Turgut Özal Tıp Merkezi Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
23
Sayı
4
Künye
Güldoğan, E.,Yağmur, J.Yoloğlu, S.,Asyalı, M. Hakan.,Çolak, C.,(2015).Destek vektör makinesi modelleri ile miyokard infarktüsün sınıflandırılması.Turgut Özal Tıp Merkezi Dergisi, 23 (4).221-224 ss.
