CPV Tahmininde Makine Öğrenme Yöntemlerinin Performanslarının Değerlendirilmesi: Farklı Bölgeler ve Parametreler ile Büyük Veri Uygulaması

Evaluating the Performance of Machine Learning Methods in CPV Prediction: Big Data Application Wıih Different Regions and Parameters

Özet

Kapsamı: Projede sağlık verilerinin yorumlanabileceği makine öğrenme yöntemleri, Canine parvovirüsü enfeksiyonun özelinde uygulanmıştır. CPV klinik bulgulara dayanılarak teşhis konulabilirken; diğer enfeksiyonlardan ayırt edilebilmesi için ise laboratuvar bulguları ile desteklenmesi gerekir. CPV, yavru köpeklerde ölümle sonuçlanabilen, kanlı ishalle seyreden diğer enfeksiyonlardan ayırt edilebilmesi için doğru teşhis hayati önem taşır. Bu sebeple, virüsün etkilenebileceği diğer verilerle beraber incelenmesi yapılarak, en doğru kararın alma yöntemleri karşılaştırılarak değerlendirilmiştir.

Amaç: Çalışmada, halk arasında delibaş hastalığı olarak bilinen, köpeklerin en önemli enfeksiyöz etkenlerinden birisi olarak kabul edilen CPV farklı parametreleri açısından En Yakın komşu Algoritması (KNN), Rastgele Orman (RF), Lojistik Regresyon ve NaiveBayes sınıflandırma algoritmaları kullanarak yorumlamayı hedeflemiştir.

Sonuç/Bulgular: Toplam doğruluk değerleri incelendiğinde anlamsız değişken modelde çıkarıldığında lojistik regresyon ve RF yöntemlerinde doğruluk oranları düşmüştür. RF yöntemi Platelets,Trombosit (PLT) değişkeni modelde iken en iyi tahminleri yapmıştır. Bu değişkeni modelden çıkarmak istemediğimiz durumlarda bize çok verimli sonuçlar verebilmektedir. KNN yöntemi değişken sayısı azaldığında daha iyi sonuçlar vermektedir. Özellikle veri boyutu arttığında makine öğrenmesi yöntemi daha iyi performans ile daha verimli sonuçlar verdiği gözlemlenmiştir.

Anahtar kelimeler: Büyük Veri, Veri Madenciliği, Sağlıkta Büyük Veri, Tahmin Algoritmaları, Canine parvovirüsü (CPV)