Obesity is a critical global health challenge, characterized by its complex etiology and association with numerous chronic diseases. Leveraging machine learning (ML) techniques offers promising avenues for improving obesity classification and risk prediction. This study aims to evaluate the efficacy of various ML algorithms, including Decision Trees (DT), Extra Trees Classifier (ETC), Multilayer Perceptron (MLP), Random Forest (RF), and Support Vector Machines (SVM), combined with diverse sampling techniques to address class imbalance. The research utilizes the publicly available Obesity Dataset, encompassing demographic and lifestyle variables. A stratified k-fold cross-validation approach was employed for robust model evaluation, and data balancing methods such as SMOTE and SVMSMOTE were implemented to enhance classification performance. Among the evaluated models, ETC demonstrated the highest accuracy (91.93%) and AUC (97.99%) when paired with SMOTE, underscoring its potential for scalable and precise obesity classification. These findings highlight the importance of integrating advanced ML methods and sampling strategies to tackle class imbalance. In addition, this study provides an important basis for the development of more effective decision-support systems in public health and clinical applications and paves the way for innovative approaches in the fight against obesity.

Thyroid cancer recurrence presents considerable challenges in clinical practice, underscoring the need for accurate predictive models to guide timely interventions. This study introduces a hybrid machine learning (ML) framework that combines data balancing and feature selection to enhance recurrence prediction. Utilizing the Differentiated Thyroid Cancer Recurrence dataset, the framework evaluates the performance of nine distinct ML classifiers through an 80:20 stratified train-test split and stratified 5-fold cross-validation. Among the evaluated models, ensemble methods—particularly Random Forest and Bagging—demonstrate superior performance on SMOTE-balanced data, achieving $$98.7\%$$ 98.7 % accuracy and $$95.5\%$$ 95.5 % recall, and outperforming previously reported methods. Statistical analyses further confirm that the impact of feature selection techniques varies depending on classifier architecture. Overall, the proposed framework illustrates that combining data balancing with informed feature selection significantly enhances predictive performance and contributes to the development of reliable decision-support systems for the early detection of thyroid cancer recurrence. The framework’s interpretability and robustness underscore its potential for integration into clinical decision-support systems, enabling early recurrence detection and facilitating personalized treatment strategies. These findings are also applicable to other imbalanced medical datasets.

Diyabet, dünya çapında prevelansı her geçen gün artan metabolik bir halk sağlığı sorunudur. Bu hastalık kontrol altına alınmaması durumunda birçok doku ve organ üzerinde geri dönüşümü olmayan hasarlara neden olabilmektedir. Bu nedenle, diyabet hastalığının erken teşhisi ve etkili bir şekilde yönetilmesi, hastaların yaşam kalitesinin arttırılması ve potansiyel sağlık risklerinin azaltılması açısından kritik bir öneme sahiptir. Sağlık sektöründe, hastalıkların teşhisinde yaygın olarak kullanılan makine öğrenimi (MÖ) tabanlı karar destek sistemleri (KDS) önem arz etmektedir. Bu çalışmada, diyabet teşhisi için önerilen MÖ tabanlı bir KDS sunulmuştur. Çalışma kapsamında, veri seti rasgele 80:20 oranında beş kez bölünmüş ve beş farklı MÖ algoritmasıyla (k-en yakın komşu, ridge, aşırı gradyan arttırma, ekstra ağaç ve gradyan arttırma) performansları değerlendirilmiştir. Bunun için veri setindeki özellikler RO algoritmasıyla değerlendirilerek Ki-kare testine dayalı SelectKBest yöntemiyle en anlamlı özellikler belirlenmiştir. Ayrıca önerilen sistem performansı üzerinde yeniden örnekleme tekniklerinin (sentetik azınlık aşırı örnekleme tekniği, Near Miss) etkileri analiz edilmiştir. Yapılan analizler sonucunda, Near Miss yeniden örnekleme tekniğinin veri setine uygulanmasıyla gradyan arttırma algoritmasının en iyi performansı sergilediği tespit edilmiştir. Bu durumda, test verileriyle yapılan analizlere göre göre F-skor, kesinlik, doğruluk ve duyarlılık değerleri sırasıyla %99.44, %98.89, %99.45 ve %100 olarak hesaplanmıştır.

Kalp yetmezliği önemli morbidite ve mortaliteye sahip bir kardiyovasküler hastalık olup, dünya çapında giderek daha fazla insanı etkilemektedir. Klinik verilerle kalp yetmezliği tanılı hastaların sağ kalımlarını tahmin etmek oldukça zordur. Bu çalışmada, kalp yetmezliği tanılı hastaların hayatta kalma tahmininin doğruluğunu artıracak önemli özellikler ve etkili makine öğrenme (MÖ) algoritması tespit edilerek, etkili ve verimli bir MÖ temelli bir yapay zeka modeli tasarlanmaya çalışılmıştır. Bunun için yedi farklı MÖ algoritmasının performansları veri setinden çıkarılan belirleyici özelliklere dayanarak karşılaştırılmıştır. Veri setindeki dengesizliği gidermek ve daha gerçekçi doğruluk değerine sahip modeller elde etmek için amacıyla sentetik azınlık aşırı örnekleme tekniği (SMOTE) ile iki farklı çapraz doğrulama tekniğinden yararlanılmıştır. Yapılan benzetim çalışmaları sonucunda SMOTE tekniğinin kalp yetmezliği tanılı hastaların hayatta kalma oranını tahmininde sınıflandırıcıların performanslarını önemli ölçüde arttırdığı tespit edilmiştir. Birisi dışarıda çapraz doğrulama tekniğinde rastgele orman algoritmasıyla %90’lık bir başarım elde edilirken, 10 kat çapraz doğrulama tekniğinde ekstrem gradyan arttırma algoritmasıyla %93 doğruluk değeriyle en yüksek başarım değerine ulaşılmıştır. Elde edilen sonuçlar literatürde benzer veri seti kullanılarak yapılan çalışmalarla kıyaslandığında önerilen yöntemin daha yüksek performans sergilediği tespit edilmiştir. Önerilen yöntem hem sağlık sistemini iyileştirme hem de sağlık hizmeti sağlayıcıları için kalp yetmezliği tanılı hastaların hayatta kalmasını tahmininde etkili bir yöntem olma potansiyeli bulunmaktadır. Bununla birlikte uzman hekimlere kalp yetmezliği tanılı hastaların tedavi sürecinin planlanmasında yol gösterici olacaktır.