1 January 2021 in Journal of Turkish Studies
Göğüs kanseri, dünya çapında kadınlar arasında en yaygın kanser türlerinden biridir ve günümüz toplumunda önemli bir halk sağlığı sorunu haline gelmiştir. Göğüs kanserinin erken teşhisi, hastaların klinik tedaviye zamanında ulaşabilmesini sağlayabileceği için hastaların hayatta kalma şansını önemli ölçüde artırabilmektedir. Makine Öğrenimi teknikleri, göğüs kanserinin erken teşhisi için hekimlerin yararlanabileceği etkili bir mekanizma olarak kullanılabilecek ve hastaların hayatta kalma oranını büyük ölçüde artıracak araçlar geliştirmek için kullanılabilir. Bu çalışmada, göğüs kanseri teşhisi için Destek Vektör Makinesi (SVM), K-En Yakın Komşuluk (KNN), Naive Bayes (NB), Karar Ağacı (DT) ve Rastgele Orman (RF) makine öğrenmesi yöntemlerinin doğruluk yüzdelerine göre performans karşılaştırmaları yapılmıştır. Bireysel sınıflandırıcıların doğruluk oranını arttırmak için bagging, boosting ve voting topluluk makine öğrenmesi yöntemleri uygulanmıştır. Oylama topluluk yöntemi için; çoğunluğa dayalı (hard) oylama ve olasılığa dayalı (soft) oylama yöntemleri kullanılmıştır. Yükseltme topluluk öğrenme yöntemi için; Adaptive Boosting (Adaboost), Gradient Boosting ve XGBoost algoritmaları kullanılmıştır. Kullanılan yöntemlerin performans karşılaştırması, Wisconsin Diagnostic Breast Cancer (WDBC) veri kümesi kullanılarak yapılmıştır. Veri özelliklerin ölçeklerinin farklı olması, bir veri kümesinin modellemesini olumsuz etkilemektedir. Bu nedenle, özelliklerin ölçeklendirilmesi için standardizasyon ön işleme işlemi uygulanmıştır. Topluluk öğrenme yöntemleri; kesinlik, duyarlılık, f-skor ve doğruluk performans kriterlerine göre karşılaştırılmıştır. En yüksek doğruluk yüzdesi; Soft Oylama (Ağırlıklandırılmış), Bagging (SVC), Adaboost (SVC) ve XGBoost topluluk öğrenme yöntemleriyle elde edilmiştir.