Bulaşıcı olmayan hastalıklar bakımından farklı ülkelerin makina öğrenmesi yöntemleri kullanılarak sınıflandırılması
Loading...
Date
2015-05-26
Authors
Çınaroğlu, Songül
Avcı, Keziban
Journal Title
Journal ISSN
Volume Title
Publisher
Uludağ Üniversitesi
Abstract
Bu çalışmanın amacı Dünya Sağlık Örgütü (DSÖ)'ne üye olan 193 ülkeyi gelir gruplarına göre Bulaşıcı Olmayan Hastalıklar (BOH) ile ilgili veriler bakımından sınıflandırmaktır. Ülkelerin sınıflandırılmasında veri madenciliği yöntemleri içerisinde danışmanlı öğrenme yöntemleri arasında bulunan destek vektör makinesi ve random forest yöntemleri kullanılmıştır. Analizlerde bir açık kaynak kodlu yazılım olan Orange programından yararlanılmıştır. Analizler sonucunda random forest yöntemi kullanılarak elde edilen performans sonuçlarının destek vektör makinesine göre daha yüksek olduğu görülmüştür. Araştırma sonuçlarının küresel sağlık yöneticilerine Bulaşıcı Olmayan Hastalıklar (BOH) ile mücadele etmek konusunda ve etkin politikalar üretmede faydalı olacağı düşünülmektedir.
The aim of this study is to classify 193 countries which are members of World Health Organization (WHO) in terms of Non Communicable Diseases (NCDs). Support vector machine and random forest methods used for classification which are one of supervised data mining methods. An open source programme Orange used for analysis. At the end of the analysis it was seen that random forest classification performance results were better than support vector machine classification performance results. The results of this study is useful for global health care managers for fighting against Noncommunicable Diseases and producing effective policies.
The aim of this study is to classify 193 countries which are members of World Health Organization (WHO) in terms of Non Communicable Diseases (NCDs). Support vector machine and random forest methods used for classification which are one of supervised data mining methods. An open source programme Orange used for analysis. At the end of the analysis it was seen that random forest classification performance results were better than support vector machine classification performance results. The results of this study is useful for global health care managers for fighting against Noncommunicable Diseases and producing effective policies.
Description
Keywords
Bulaşıcı olmayan hastalıklar (BOH), Sağlık bakım göstergeleri, Makina öğrenmesi, Noncommunicable diseases (NCDs), Health care indicators, Machine learning
Citation
Çınaroğlu, S. ve Avcı, K. (2015). "Bulaşıcı olmayan hastalıklar bakımından farklı ülkelerin makina öğrenmesi yöntemleri kullanılarak sınıflandırılması". Uludağ Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 20(2), 89-97.